⚛️ 物理/科学计算¶
📷 CVPR2026 · 10 篇论文解读
📌 同领域跨会议浏览： 🧠 NeurIPS2026 (16) · 🎞️ ECCV2026 (9) · 🔬 ICLR2026 (76) · 🧪 ICML2026 (36) · 🤖 AAAI2026 (16) · 🧠 NeurIPS2025 (64)
🔥 高频主题： 扩散模型 ×2
- AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts
-
AviaSafe 把"先用掩码定位云在哪、再回归云有多浓"的层级化思路和航空气象里验证多年的"结冰条件指数(IC)"嵌进一个 Swin Transformer 预报骨干里，第一次实现了全球、逐 6 小时、可分相态（冰/液/雨/雪）的云微物理量预报，在 93.7% 的变量-时效组合上优于 FuXi 基线，并在 7 天时效的关键背景变量上追平甚至超过业务级数值预报 ECMWF HRES。
- Spatial-Spectral Residuals Informed Diffusion Neural Operator for Pan-sharpening
-
SRINO 把全色锐化的扩散去噪骨干从注意力换成 Galerkin 型神经算子（把生成过程搬到连续函数空间、显著省 FLOPs 和显存），再在每一步反向采样里直接把像素级的空间/光谱一致性残差当条件喂进去做闭环引导，在 WV3/GF2/QB 三个数据集上既超过现有 SOTA 又比注意力扩散省好几倍算力。
- Computational Speckle Pattern Interferometry
-
把经典电子散斑干涉（ESPI）重写成"散斑外观向量 × 位移相量向量"的内积模型，用一次矩阵分解完成无需精密移相硬件的标定，再用 Horn-Schunck 风格的能量泛函从单张散斑图恢复每像素亚微米级位移，同时用相量幅值额外读出曝光期间的运动量。
- Electromagnetic Inverse Scattering from a Single Transmitter
-
本文把电磁逆散射问题（EISP）从"逐样本物理优化"改写成"端到端数据驱动回归"——用一个 MLP 直接把接收到的散射场和空间坐标映射成该点的相对介电常数，靠训练集学到的数据分布先验补偿稀疏测量的信息缺失，首次实现了仅用单个发射机的高质量重建，且推理比此前 SOTA 快 7 万倍。
- FreeForm: Reduced-Order Deformable Simulation from Particle-Based Skinning Eigenmodes
-
用再生核粒子法（RKPM）来参数化弹性体的蒙皮权重，再通过对弹性能量 Hessian 求广义特征值问题直接解出最优 skinning eigenmode，从而做无网格、降阶的弹性体仿真——相比用神经场逐物体优化的 Simplicits 训练快约 40×、精度还更接近 FEM 金标准。
- GaussianFluent: Gaussian Simulation for Dynamic Scenes with Mixed Materials
-
GaussianFluent 给只建表面的 3DGS 补上"内部"——先用生成模型把物体内部填满带真实纹理的高斯，再把一套改稳、改并行的连续损伤材料点法（CD-MPM）接进高斯仿真，让 3DGS 第一次能以实时速度、在混合材质下真实地模拟脆性断裂、切割、子弹击穿等会暴露内部结构的剧烈动态。
- Generative Diffusion Priors for 3D Mapping of the Dark Universe
-
本文把"从弱引力透镜观测重建暗物质三维分布"这一高度病态的宇宙学反问题，转化为扩散模型后验采样：先用 N-body 模拟构建 Conicus3D 光锥数据集、训练一个按红移条件化的 2D 扩散先验，再用改造过的 DAPS 算法把这个数据驱动先验和可微的弱透镜物理前向模型耦合起来，在模拟 JWST COSMOS-Web 巡天上把 3D/2D 重建相关性和功率谱保真度都显著推高于 Wiener 滤波与 Neural Ensemble 基线。
- Learning to Solve PDEs on Neural Shape Representations
-
本文把经典 Closest Point Method（CPM）里最关键的"法向延拓"步骤用一个轻量、几何条件化的神经算子学出来，从而直接在神经表面表示（SNS / SDF / 占据场 / 点云 / Gaussian Splatting）上求解表面 PDE，无需抽 mesh、无需逐实例优化，且全程可微——只在单个示例形状（Spike）上训练一次就能泛化到未见形状、拓扑和输入函数，精度与 CPM 相当。
- Lens Component Deletion based on Differentiable Ray Tracing
-
针对微型光学镜头的小型化/降本需求，提出一条"自动删片"流水线：用一个贡献度指标自动挑出系统中最不重要的镜片，用一个删除损失把它逐渐压薄压平直至安全删除，再配合基于 Rayleigh-Sommerfeld 衍射理论的可微 PSF 估计，把简化后镜头与后处理复原网络联合优化，在删掉一片镜片后仍能保持与原系统相当的成像质量。
- UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching
-
UniPixie 把"从视觉推断物体物理属性"从确定性点估计改写成可控的概率分布建模——用一个共享 Perceiver-IO 编码器 + 条件流匹配解码器，从单张视觉输入沿"最软到最硬"连续谱生成物理参数，并首次用统一架构同时产出 MPM / LBS / Spring-Mass 三种求解器即插即用的参数，杨氏模量误差比最强确定性 baseline 降低 50% 以上。