物体の連続的な変形をモデル化することは、ロボティクスの操作タスクやシミュレーション、コンピュータビジョンの様々な応用において重要な課題である。従来のアプローチは、学習ベースの手法または物理シミュレータに依存してきたが、これらは離散的な時間ステップを使用するか、リアルタイム応用には計算コストが大きすぎるという課題を抱えていた。 今回発表されたODeformは、ニューラル常微分方程式（Neural ODEs）を3次元空間における変形可能物体の4次元動力学に拡張した手法である。本手法は3次元点群と材料特性などの物理条件を統一的な潜在空間に変換し、その潜在空間でODEを時間に沿って解くことで、変形を連続フローとしてモデル化する。この方式により、離散的な時間ステップが不要になり、計算効率を保ちながら連続的な動力学表現が実現できるという利点がある。 研究チームは未知の物理パラメータ設定に対する評価を実施し、ベースライン手法と比較して動作予測精度が向上したことを確認した。さらに、実世界で取得した新規形状の3次元物体への転移学習が成功し、学習した動力学の補間および外挿が効果的に機能することを実証している。今後、コードとデータは公開される予定である。