曼大團隊用連續神經場最佳化增減材混合製造工藝規劃
曼徹斯特大學 Charlie C.L. Wang 團隊提出面向增減材混合製造的連續神經場最佳化方法，論文被 SIGGRAPH Asia 2026 收錄，程式碼已開源。方法用五個隱式連續場描述增材與減材的時間、佔據與切削配置，把工藝規劃轉為多目標數值最佳化，並將重力與切削力下的中間結構形變作為可微損失嵌入最佳化。GE-Bracket 範例中預計製造時間從 38.8 小時降至 12.3 小時，額外支撐佔比由 43.02% 降到 28.39%，工具跳躍由 53.9k 降到 4.9k；
首次把加工中重力與切削力下的中間形變作為可微損失嵌入製造序列最佳化，並給出製造時間與支撐體積的實測對比和開原始碼，對增減材混合製造與工藝規劃研究者有參考價值。
原標題：SIGGRAPH Asia 2026｜曼大Charlie Wang团队：连续神经场优化让增减材混合制造「更快、更稳、更准」
閱讀原文
| 評分 | 58 / 68（平均 63，門檻 65） |
|---|---|
| 狀態 | 未入選 |
相關報導
曼徹斯特大學提出相容性感知形態學習，實現梯度超材料逆向設計
曼徹斯特大學 Digital Manufacturing Lab 提出相容性感知形態學習（Compatibility-Aware Morphology Learning）框架，把微結構間的邊界幾何相容性直接編碼進低維設計空間，使不同拓撲單胞能夠連續過渡，論文已被 CMAME 接收，程式碼與資料在 GitHub 開源。該框架還結合基於先驗的資料篩選，在進入昂貴多物理場最佳化前先篩掉聲學潛力不足的候選結構，並以力學—聲學協同設計作為驗證案例。
FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
ReGDiff 讓擴散模型生成又合理又新穎的超材料結構
維吉尼亞理工與 Meta 的研究者在 NeurIPS 2026 提出 ReGDiff，用擴散模型生成超材料體素結構，以緩解「貼著訓練資料」與「生成碎塊廢件」之間的兩難。方法分兩步：先用 RAS 把自編碼器潛空間整理成好壞可分、覆蓋均勻的形態，再在取樣時對近處已知樣本施加短程排斥。團隊還補上桁架體素資料集 MetaTruss 和五項量化指標，相比最強基線，幾何合理性平均提升 8.9%、新穎性提升 46.4%、多樣性提升 128.6%，生成 1000 個結構約 31 秒。
北大團隊 DragMesh 被 IJCV 接收：拖拽一次即可生成 3D 關節運動
北京大學團隊的 DragMesh 被 IJCV 接收。使用者只需在已有 3D 資產上對目標部件拖拽一次，系統就能生成符合關節約束的完整運動軌跡，無需重新生成整個物體。方法上先用 KPP-Net 預測關節型別、軸與原點，再由 Dual Quaternion VAE 並行生成 16 幀軌跡，並通過跨模態語義蒙皮把同一套運動遷移到 Mesh 或 3D Gaussian Splatting。
Sharpa 公開 CraftNet 分層架構，解耦運動與互動
Sharpa 在 CES 2026 公開 CraftNet 分層模型，把靈巧操作拆成約 1 Hz 的推理腦、10 Hz 的運動腦和 100 Hz 的觸覺互動腦，讓接觸階段交給底層高頻控制。基於該思路的 MoDE-VLA 在雙手削蘋果任務上把成功率從 π0 基線的 0% 提升到 30%，削皮完成度從 8% 提升到 73%；UVTA 則在 1000 條人類演示下把三個任務平均成功率從 0% 拉到 84%，論文稱尚未飽和。