GrowFields: 组合式4D神经场建模拓扑变化的植物生长

📋 摘要 Abstract

**Figure 1:** GrowFields框架概览。给定时间序列的分割植物点云，将植物分解为各个器官并对其到规范坐标系（A），通过共享的潜条件神经变形场预测器官运动轨迹（B），重组到全局坐标系生成时间连贯的4D重建（C），SIREN网络产生平滑的器官生长动态轨迹（D）。

从稀疏纵向3D观测中量化植物生长动态是农业和植物科学的基础课题。然而，植物带来了独特的挑战：它们经历复杂的非刚性变形、随着新器官的出现而改变拓扑结构，且由于新组织的形成，连续数据采集之间往往缺乏明确的时间对应关系。针对通用场景设计的方法难以建模植物特有的拓扑变化和异步器官生长。

本文提出 GrowFields，一种组合式动态神经场表示，用于从点云时间序列中进行器官感知的4D植物生长建模。该方法将植物分解为组成器官，将每个器官对齐到各自的规范坐标系中，将内在生长模式与全局植物运动分离。然后学习一个共享的连续神经变形场，通过可学习的器官特定潜码捕获器官身份和生长特征，建模所有器官的时间动态。这种模块化且统一的表示自然地适应了植物器官的异步发育。

💡 一句话总结

GrowFields通过将植物分解为器官并学习共享的潜条件速度场，首次实现了从稀疏点云时间序列中连续建模拓扑变化的植物4D生长，在四种作物上几何重建和器官跟踪精度均显著优于现有方法。

🔍 研究背景 Background

理解和量化植物生长动态是农业和植物科学的核心。植物是复杂的、动态的、多尺度的生物体，其对环境条件的响应可以通过可观察的器官级性状（如器官出现时间和叶片扩展速率）的时间动态来部分表征。虽然3D感知技术和植物建模方法已经取得了显著进展，但植物生长的时间维度仍未被充分探索。

现有方法面临三大核心挑战：

拓扑变化：植物随着新器官（叶片、茎）的出现和旧器官的衰亡而不断改变拓扑结构，这打破了传统非刚性配准和动态场景重建中拓扑不变的假设。
异步生长：不同器官以不同速率独立生长，全局变形场方法无法捕获这种器官级别的异步动态。
稀疏观测：纵向数据采集通常稀疏且有噪声，新形成的组织没有直接的时间对应关系。

先前的植物专用方法（如GrowFlow）通过逆时间学习连续变形场来建模植物生长，但全局公式不显式建模器官身份或异步器官发育。基于骨架或图的配准方法依赖多阶段管道和手动设计的匹配策略，可能无法跨物种或感知条件泛化。

⚙️ 方法论 Methodology

GrowFields的核心思想是利用植物天然的模块化组织：将植物分解为器官，每个器官的几何和运动可以独立分析，同时保持为一个连贯整体的一部分。

1. 器官规范对齐

输入为时间有序的3D点云序列，每个点携带语义实例标签标识其所属器官。对每个叶片应用基于PCA的对齐，将主轴与全局Z轴对齐，基部平移到原点。这种规范化消除了全局姿态变化，同时保留了内在几何。存储每帧的刚性变换用于后续重投影。

2. 器官条件动态神经场

规范对齐后，器官生长被建模为共享的连续神经变形场，以器官身份为条件。定义一个SIREN网络 f_θ 预测时间依赖的速度场：

输入：3D点坐标 x ∈ ℝ³，归一化时间 t ∈ [0,1]，器官潜码 z_i ∈ ℝᵈ
输出：速度向量 v(x, t, z_i) ∈ ℝ³
潜码设计：遵循自解码器范式，无编码器，潜码与网络参数联合优化，初始化为零均值高斯并正则化
离散动力学：通过欧拉积分从初始器官点云传播几何，近似连续时间ODE

3. 训练目标

使用双向Chamfer距离监督预测轨迹，加上潜码正则化损失。总损失为所有采样器官的Chamfer损失平均值加上加权的潜码正则项。

4. 全植物合成

完整的4D植物重建需要将连续器官轨迹合并为单一时间连贯结构。每个器官从最早观测帧初始化，通过学习的速度场前向传播，然后通过刚性对齐参数变换回全局空间。新观测到的器官在首次出现时纳入共享动力学表示。

📊 关键结果 Key Results

在TrackPlant3D数据集上评估，包含四种作物（玉米、高粱、烟草、番茄）的每日LiDAR扫描，使用Chamfer距离（CD, mm²）衡量几何精度，叶尖端点误差（EPE, mm）衡量跟踪精度。

**Figure 2:** 全植物定性重建比较。颜色表示来自真实分割的器官身份。与逐器官MLP相比，共享潜条件场正确解决了部件边界，展示了潜码公式的有效性。

全植物重建结果

方法	平均CD (mm²) ↓	平均EPE (mm) ↓	备注
NDF	2229.2	42.9	全局变形场
NVFi	633.5	43.3	神经速度场
DSR	134.5	—	4D SDF，无变形场
CanFields	615.7	44.4	规范形状插值
DPF	2.47	15.15	逐帧点变形场
COAP	1.69	4.23	部件感知基线
GrowFields (完整)	0.86	1.47	本文方法

外推结果 — **Figure 3:** 外推定性结果。GrowFields在玉米植株上训练除最后三个时间步外的所有数据，从t₀展开到完整序列（左到右）。虚线框标记用于外推评估的三个留出帧。模型预测了合理的器官持续伸长。

关键发现

几何重建：GrowFields完整模型平均CD为0.86 mm²，相比最强基线COAP（1.69）提升49%
器官跟踪：平均EPE为1.47 mm，相比COAP（4.23）提升65%
消融实验：去除潜码导致最大性能下降（CD从0.86升至1.05，EPE从1.47升至3.44），确认潜码条件化是最关键组件
去除规范对齐：EPE从1.47大幅升至4.23，确认规范空间对齐对稳定变形学习至关重要
自动分割鲁棒性：使用自动分割标签（PSegNet + TrackPlant3D）时，性能仅轻微下降（CD 0.86→0.86，EPE 1.47→1.42）
统计显著性：Wilcoxon符号秩检验显示GrowFields在CD和EPE上均显著优于COAP和DPF（p < 0.001）

🏆 核心发现

GrowFields在全植物重建和器官跟踪两个维度上均取得最优结果，平均CD 0.86 mm²和EPE 1.47 mm分别比最强基线提升49%和65%。消融实验证实潜码条件化和规范对齐是两大核心设计，且方法对自动分割标签具有良好的鲁棒性。

💡 个人见解 Insights

GrowFields是植物表型领域的一项重要进展，它将4D重建从简单的几何配准推进到了结构感知的生长动态建模。以下是对该工作的分析：

核心优势：组合式设计巧妙利用了植物天然的模块化结构，共享网络+器官潜码的范式既捕获了跨器官的共性模式，又允许每个器官独立发展，这是对传统全局变形场方法的根本性改进。
评估协议贡献：基于标注叶尖轨迹的评估协议为4D植物生长建模提供了实用基准，填补了该领域缺乏标准化评估的空白。
应用场景：该框架可直接应用于作物表型分析中的连续器官生长率测量、早期胁迫检测和植物发育定量分析，对精准农业和育种决策具有实际价值。
局限性：不预测器官出现（新器官仅在首次观测时纳入）；快速生长区域的点云会变得稀疏；短序列（≤5个训练时间步）的欠约束问题。未来可通过自适应稠密化和引入生成先验来改进。
跨领域潜力：作者指出该公式是通用的，可应用于医学领域中由独立演化部件组成的动态点云（如4D细胞或血管生长）。

🔗 参考资料 References

📄

查看原文 View Original Paper

arXiv:2607.03330

📥

下载 PDF Download PDF

arXiv PDF

🌐

项目主页 Project Page

joaquin-gajardo.github.io/growfields