本研究提出了一种基于神经场的框架，通过独立建模整体刚体运动与局部结构变形，实现高效、精确的三维车辆碰撞动态预测，误差降低高达83%。该方法在复杂碰撞场景中提供快速、可靠的车辆安全评估，减少了模拟数据和时间需求。

本研究提出了一种新颖的对象级时间对比损失，解决了无监督视频对象中心学习中的时间一致性问题。该方法显著提高了对象中心表示的时间一致性，支持更可靠的视频分解和无监督对象动态预测，超越了现有的弱监督方法。

本文介绍了一种名为OODP的目标导向动态预测框架，通过对象分解和动态预测提高学习模型的泛化能力。实验结果表明，OODP在新环境中表现优异，能够从少量数据中学习并准确预测未见环境的动态，同时具备语义和视觉可解释性。

本研究提出了一种无监督的物体中心预测模型，通过学习物体间的视觉动态进行未来预测，实验结果表明该模型在视觉质量和物理可靠性上优于现有技术。此外，研究还探讨了三维自我中心姿态估计、视频对象结构提取及动态预测等方法，均在多个数据集上取得了良好效果。

该文章介绍了交互网络模型，使用深度神经网络进行对象和关系居中的推理，能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。

本文介绍了交互网络模型，使用深度神经网络进行对象和关系居中的推理，能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。