从自动驾驶汽车到沉浸式虚拟现实，许多人工智能技术都依赖于精确重建动态三维环境。然而，如何表示真实场景中各种各样的运动仍然是一个根本性的挑战，因为没有一种单一的动态表示方法能够始终如一地模拟实践中遇到的各种运动。
不同的动态高斯散射（DGS）方法在特定条件下表现良好，因为每种运动表示方法都有其自身的优势和局限性。因此，单一的表示方法往往难以泛化到异构的真实世界动态环境中。
图片来源：釜山国立大学
混合专家的两种方法
据外媒报道，为了克服这一局限性，釜山国立大学（Pusan National University）Kyeongbo Kong教授领导的研究团队开发了两种互补的专家混合框架，以结合多种运动表征的优势。MoE-GS独立训练多个动态高斯模型，然后通过学习到的专家路由自适应地融合它们的输出。
相比之下，MoDE使用共享的高斯表征，在联合优化过程中集成多个形变专家。这些框架并非依赖单一运动模型，而是利用多个专用模型的互补优势来改进动态场景重建。
该论文发表于期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence.》。
更适合混合运动
“我们进行了系统分析，发现现有的动态高斯散射方法在各种场景下都无法始终保持最佳性能。基于此，我们提出了MoE-GS，这是首个通过专家混合架构自适应地融合多个专用动态高斯模型的框架，而非依赖单一表示，”Kong表示。
研究人员发现，与依赖单一动态表示相比，融合互补的专家模型能够更精确地重建包含多种运动类型的复杂场景。自适应路由策略使框架能够针对每个区域和时间步长融合最合适的专家模型，从而在保持对各种动态场景灵活性的同时，提高重建质量。
物理人工智能的基础
该团队认为，这种自适应方法可以通过异构运动更可靠地重建复杂环境，从而增强机器人、数字孪生、自主系统和空间计算中使用的人工智能系统。
展望未来，他们认为，随着人工智能朝着与物理世界更自然地交互的方向发展，准确地建模不同的现实世界动态将变得越来越重要。他们希望他们的工作能为动态场景理解、世界模型和物理人工智能的未来研究提供宝贵的基础。
Kong表示：“我们的研究结果表明，组合多个专门的运动表示可以是处理异构动态的有效方法，而单一表示很难一致地建模。”