Generative Modeling with Orbit-Space Particle Flow Matching

📄 arXiv: 2605.02222v1 📥 PDF

作者: Sinan Wang, Jinjin He, Shenyifan Lu, Ruicheng Wang, Greg Turk, Bo Zhu

分类: cs.GR, cs.CV

发布日期: 2026-05-04

💡 一句话要点

提出轨道空间粒子流匹配生成模型，提升粒子系统生成质量与效率。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 生成模型 粒子系统 流匹配 轨道空间 几何建模 置换对称性 表面法线

📋 核心要点

  1. 现有粒子生成模型忽略了粒子的置换对称性，导致训练目标方差大，生成流难以学习。
  2. OGPP通过轨道空间规范化、粒子索引嵌入和几何概率路径，显式地建模了粒子的对称性和几何属性。
  3. 实验表明，OGPP在生成质量、效率和参数量上均优于现有方法，尤其在表面法线生成方面。

📝 摘要（中文）

本文提出了一种名为轨道空间几何概率路径（OGPP）的粒子原生流匹配框架，用于粒子系统的生成建模。OGPP的动机来源于两个洞见：一是粒子具有置换对称性，匿名索引会增加每个索引的目标方差，导致难以学习的弯曲流；二是粒子存在于物理空间中，因此流的终端速度具有物理意义，可以编码几何属性，例如表面法线。OGPP实例化了三个关键组件：（1）概率路径终端端点的轨道空间规范化，（2）用于角色专门化的粒子索引嵌入，以及（3）具有弧长感知终端速度的几何概率路径，该路径生成法线作为流的副产品。在最小表面基准测试中，OGPP在单个推理步骤中将度量误差降低了多达两个数量级；在ShapeNet上，它以5倍更少的步骤匹配了最先进的水平，并达到了与DiT-3D相当的飞机EMD，但参数减少了26倍，步骤减少了5倍；在单形状编码中，它产生的法线和重建与6D生成器相比具有竞争力，同时完全在3D中运行。

🔬 方法详解

问题定义：现有粒子生成模型在处理具有置换对称性的粒子系统时，通常采用匿名索引，这导致训练目标方差增大，生成的流变得弯曲且难以学习。此外，现有方法通常忽略了粒子在物理空间中的几何属性，例如表面法线，限制了生成模型的表达能力。

核心思路：OGPP的核心思路是显式地建模粒子系统的置换对称性和几何属性。通过将概率路径的终端端点规范化到轨道空间，可以消除置换对称性带来的歧义性。同时，利用粒子在物理空间中的终端速度来编码几何属性，例如表面法线，从而提高生成模型的表达能力。

技术框架：OGPP包含三个主要组件：（1）轨道空间规范化：将概率路径的终端端点规范化到轨道空间，以消除置换对称性。（2）粒子索引嵌入：为每个粒子分配一个索引嵌入，以实现角色专门化，允许不同的粒子学习不同的行为。（3）几何概率路径：设计具有弧长感知终端速度的概率路径，该路径可以生成法线作为流的副产品。整体流程是从噪声分布开始，通过学习到的流函数逐步将噪声转化为目标粒子分布。

关键创新：OGPP的关键创新在于将轨道空间的概念引入到粒子生成模型中，并利用粒子的终端速度来编码几何属性。这与传统的流匹配方法不同，后者通常忽略了粒子系统的置换对称性和几何属性。此外，OGPP还引入了粒子索引嵌入，以实现角色专门化，这使得模型能够更好地捕捉粒子之间的相互作用。

关键设计：OGPP的关键设计包括：(1) 使用匈牙利算法进行轨道空间规范化；(2) 使用Transformer网络学习粒子索引嵌入；(3) 设计弧长感知终端速度，使得流可以生成表面法线。损失函数包括流匹配损失和法线预测损失。网络结构采用U-Net架构，用于学习流函数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

OGPP在最小表面基准测试中，在单步推理中将度量误差降低了两个数量级。在ShapeNet数据集上，OGPP以5倍更少的步骤达到了与SOTA相当的性能，并且在飞机EMD指标上，OGPP使用26倍更少的参数和5倍更少的步骤，达到了与DiT-3D相当的水平。在单形状编码任务中，OGPP生成的法线和重建结果与6D生成器具有竞争力，同时完全在3D空间中运行。

🎯 应用场景

OGPP可应用于各种粒子系统的生成建模，例如流体模拟、材料设计、分子动力学等。通过生成高质量的粒子系统，可以加速科学发现、优化工程设计，并为计算机图形学和动画提供更逼真的内容。

📄 摘要（原文）

We present Orbit-Space Geometric Probability Paths (OGPP), a particle-native flow-matching framework for generative modeling of particle systems. OGPP is motivated by two insights: (i) particles are defined up to permutation symmetries, so anonymous indexing inflates per-index target variance and yields curved, hard-to-learn flows; and (ii) particles live in physical space, so the flow terminal velocity has physical meaning and can encode geometric attributes, e.g., surface normals. OGPP instantiates three key components: (1) orbit-space canonicalization of the probability-path terminal endpoint, (2) particle index embeddings for role specialization, and (3) geometric probability paths with arc-length-aware terminal velocities that generate normals as a byproduct of the flow. We evaluate OGPP on minimal-surface benchmarks, where it reduces metric error by up to two orders of magnitude in a single inference step; on ShapeNet, where it matches the state of the art with 5x fewer steps and reaches airplane EMD comparable to DiT-3D with 26x fewer parameters and 5x fewer steps; and on single-shape encoding, where it produces normals and reconstructions competitive with 6D generators while operating entirely in 3D.