近日，课题组共有3篇论文被国际计算机图形学领域顶级学术会议 ACM SIGGRAPH Asia 2026 录用。
ACM SIGGRAPH Asia 是计算机图形学领域最具影响力的学术会议之一，同时也是中国计算机学会（CCF）推荐的 A 类国际学术会议，录用论文聚焦三维建模、几何处理、物理仿真、可视化以及虚拟现实等领域的高质量论文。会议将于2026年12月初在马来西亚举行。
论文题目：S4R: Progressive Scaling for Rigid Body Interpenetration Resolving
录用类型：ACM SIGGRAPH Asia 2026, Journal Track
作者：Zhiyang Dou+，Ang Zhao+，Chen Peng，Minghao Guo，Haixu Wu，Cheng Lin，Yuan Liu，Junfeng Yao*，Xiaohu Guo，Wenping Wang，Wojciech Matusik*
完成单位：厦门大学，麻省理工学院，香港大学，香港科技大学等
论文简介：解决刚体相互穿透问题是物理仿真、程序化生成和机器人场景合成中常见的预处理步骤。现有方法要么依赖局部投影启发式策略，在密集非凸接触情形下可能产生循环振荡；要么求解全局优化问题，但其线性化处理在深度穿透下可靠性不足。本文提出S4R，一种延拓方法，通过跟随均匀缩放参数来消除穿透。该方法从无碰撞的缩小状态出发，逐步将所有物体恢复至完整尺寸，并在每个缩放步长上求解一个稀疏凸二次规划，该规划施加维持间隙所需的最小范数位移。均匀缩放使得表面点的轨迹随缩放参数呈线性变化，从而可以在完整网格查询之间解析地预测接触事件和有符号距离更新。这避免了对深度穿透构型进行线性化，并使每个子问题保持在浅层接触附近。最后通过一个精炼阶段验证完整尺寸构型，并修正任何残留的违反约束情况。我们在Kubric、HY3D-Bench和Thingi10K上对S4R进行了评估，物体数量多达5000个。在主要基准测试设置中，S4R能在时间预算内将构型解决至零网格级穿透，同时保持较低的质心位移，并在实际运行时间上持续优于基于优化的基线方法。
论文题目：Type-Free Global Intersection Analysis with Linear Displacement Fields
录用类型：ACM SIGGRAPH Asia 2026, Journal Track
作者：Chengzhu He, Xudong Feng, Anjun Chen, Dan Song, Shihui Guo*, Kui Wu
完成单位：厦门大学，浙江大学，天津大学
论文简介：无历史依赖的相交解除是物理仿真与几何处理领域的核心瓶颈。现有的全局相交分析（GIA）算法能够定位面积相对较小的无效区域，但需要针对不同轮廓类型采用专属处理策略；而相交轮廓最小化（ICM）算法落地部署更为简便高效，却时常陷入局部最优解导致优化停滞。本文提出一种全新的相交解除框架，该框架不依赖预设轮廓分类，而是将相交解除问题转化为最小位移能量的分离方向优化问题。对于每一个相交轮廓，我们对多组线性位移候选方向执行光线投射，以相交轮廓作为穿透区域的锚点、基于图元邻接关系采用聚类剔除策略过滤原始射线，保留处于有效穿透区域内的光线集合；我们基于位移能量对候选方向排序，该代价函数与隐式积分中的目标函数保持一致，同时在单位球面上对优质候选方向做局部优化；最后将解相交的几何支撑信息转换为约束碰撞对，并嵌入标准物理仿真器完成求解。我们在多种相交轮廓类型场景与公开自相交基准数据集上完成算法验证。相较于基线方法，本文算法在各类高难度场景下均能更稳定地消除几何穿透。实验结果表明，该算法是一套实用性强、可兼容各类求解器的相交解除流程，能够高效处理复杂与嵌套的网格穿透。
论文题目：CLOTHO: Canonicalizing IMUs from Loose Inertial Garments for Accurate Human Motion Tracking
录用类型：ACM SIGGRAPH Asia 2026, Journal Track
作者：Xiaoxia Gao, Ruonan Zheng, Qinze Zhou, Yu Yan, Zixuan Zeng, Shifan Jiang, Chenxu Zuo, Yuan Yao, Zhiyang Dou, Anjun Chen, Yipeng Qin, Shihui Guo, Jiawei Fang*
完成单位：厦门大学，卡迪夫大学，麻省理工学院，卡内基梅隆大学
论文简介：服装搭载式惯性测量单元（IMU）为实现舒适、无感且可扩展的人体动作捕捉提供了一条极具潜力的技术路径，但其性能目前仍落后于紧贴身体安装的惯性动作捕捉系统。其核心挑战在于，宽松穿戴的 IMU 并不能直接观测人体运动，而是通过与服装相关的动态过程间接感知身体动作，因此在不同服装、传感器布局和穿戴条件下，会产生异构、不完整、噪声严重且存在漂移的惯性信号。本文提出 CLOTHO，将服装式惯性动作捕捉重新表述为一个 IMU 规范化问题：从受污染且不完整的宽松穿戴观测中，恢复干净、消除漂移且空间完整的紧贴式惯性信号。为充分利用易于大规模采集的服装惯性数据，CLOTHO首先通过掩码 IMU 重建任务，在大规模无标注数据上进行自监督预训练，学习人体运动动态、传感器间关联以及对不同传感器数量和缺失模式具有鲁棒性的通用惯性表示；随后，使用配对的服装 IMU—人体运动数据，训练惯性信号规范化模型。我们采集了目前规模最大的服装式惯性动作捕捉数据集，包含 1250 万帧 IMU 数据和约 116 小时的记录，其中包括约 101.1 小时无标注服装 IMU 数据以及配对的人体运动数据，并覆盖五种具有不同材料、传感器布局、IMU 数量和传感硬件的服装设计。大量实验表明，CLOTHO模型能够取得当前最先进的动作捕捉精度，实现对未见服装和不同传感器配置的零样本泛化，并在长期跟踪场景中展现出更强的鲁棒性。进一步的规模化实验表明，增加无标注服装 IMU 数据能够持续提升惯性信号规范化与动作重建性能，为利用低成本日常穿戴数据进一步扩展服装式惯性动作捕捉系统提供了可行路径。
