I2CD：从单张RGB图像直接预测仿真就绪凸碰撞几何

能否利用预训练图像到3D生成模型的特征，从单张RGB图像直接预测仿真就绪的凸分解几何，从而绕过网格修复和分解流程？

物理模拟器和运动规划器要求凸碰撞几何，但图像到3D生成模型输出的是密集、常为非流形的视觉网格，例如Hunyuan3D-2生成的网格中98%含非流形边、中位160万面。现有重建后分解流程需要修复、减面和水密化，既慢又易出错；直接加载原始网格会被物理引擎静默替换为单一凸包，导致错误碰撞形状。

此前做法是重建后分解：先用Hunyuan3D-2或SAM3D等图像到3D模型生成密集网格，再用V-HACD、CoACD等近似凸分解，或使用CvxNet、BSP-Net等学习型分解。这些方法在干净网格上有效，但对生成网格的噪声和非流形缺陷敏感，耗时数秒到数十秒；CvxNet和BSP-Net的单视图模式仅针对类别训练，没有开放世界权重。

I2CD冻结Hunyuan3D-2-mini的图像条件DiT和ShapeVAE解码器，只训练一个3800万参数的凸槽交叉注意力头。该头用K个可学习的凸槽token查询冻结的形状特征，每个token输出一个凸多面体的半平面参数，包括法向量、偏移、平移和锐度，默认K等于H等于12。训练使用MolmoSpaces缓存潜变量，损失为类别平衡BCE加凸对对比损失，后者抑制薄片堆叠失效模式。推理时每个凸多面体独立用行进立方体网格化导出，无需任何后处理，端到端约0.51秒。

在227个留出的OmniObject3D和GSO物体上，I2CD的体素IoU为65.7%，高于8个重建后分解流程中最强的HY3D+CoACD 62.8%，端到端时间0.51秒，而基线为3.05到19.04秒，快6到37倍。在100个水密GSO物体上，I2CD为68.9%，比最佳基线SAM3D+V-HACD的63.8%高5.1个点；在127个OmniObject3D扫描上，I2CD为63.1%，与最佳基线62.9%持平，但IoU低于40%的物体比例仅5%，而基线为14到17%。四引擎仿真就绪测试中，I2CD几何在MuJoCo、PyBullet、Genesis、Isaac Sim中资产保留率不低于98.4%，原始HY3D网格默认处理保留率仅40.2%；Genesis内置CoACD保留率40.2%，PhysX内置V-HACD保留率26.8%，PhysX SDF保留率100%但需3.75秒烹饪且崩溃6个对象。真实xArm7的100次抓取试验中，I2CD成功85/100，SAM3D+CoACD为90/100，差异不显著p等于0.39，单凸包基线仅5/100；I2CD几何准备时间11秒，SAM3D+CoACD为328秒，约30倍加速。

作者承认：I2CD继承冻结骨干的错误，包括漏检薄结构、幻觉或过平滑，图像采样与网格编码潜变量之间存在3.2个IoU点差距；表面保真度落后最佳管线3.6个F-score点，约19%相对，对接触丰富任务可能成为瓶颈；凸槽按邻近性而非语义分组；真机实验仅覆盖一个桌面场景和准静态任务。此外，该研究尚未经过同行评审，论文称代码、模型和基准将发布，但当前未提供。