南洋理工大学与上海人工智能实验室联合发布开源框架 PhysX-Anything，只需一张 RGB 图像即可输出带几何、关节、物理参数的完整3D 资产，可直接导入 MuJoCo、Isaac Sim 进行机器人策略训练。

技术亮点

1. 由粗到细 pipeline:先预测整体物理属性（质量、质心、摩擦系数），再部件级细化几何与关节极限角度，避免“视觉优先”导致的物理失真。

2. 新型压缩3D 表示:把面片+关节轴+物理属性编码进8K 维隐向量，推理时一次解码，生成速度较 SOTA 提升2.3倍。

3. 显式物理监督:在数据集里加入12万组真实物理测量，训练阶段引入质心、惯量与碰撞盒损失，确保仿真一致性。

实测结果

在 Geometry-Chamfer 与 Physics-Error 双指标上，PhysX-Anything 分别降低18% 与27%;绝对尺度误差 <2cm，关节运动范围误差 <5°，显著优于 ObjPhy、PhySG 等最新方法。真实场景测试（宜家家具、厨房用具）中，生成资产导入 Isaac Sim 后，机器人抓取成功率提升12%，训练步数减少30%。

开源与影响

项目已上线 GitHub，权重、数据和评测基准同步开放;团队计划2026Q1发布支持「视频输入」的 V2版，可预测可动部件时序轨迹，为动态场景策略学习提供支持。

论文：https://arxiv.org/pdf/2511.13648