GS分割的三种范式

一个GS场景中可能包含复杂的内容，不同的内容需要不同的驱动方式，这时就需要GS分割。

显式分割（Explicit Segmentation）

流程: 2D图像分割 → 3D高斯分割 → 分配物理属性 → 物理仿真驱动
特点: "先分割，再学驱动"
代表论文: PIG (#175), Language-driven physics, EnliveningGS (#174)
优势: 分割精确，物理属性分配明确
劣势: 需要2D掩码（人工标注或分割模型）

隐式分割（Implicit Segmentation）

流程: 直接学驱动 → 不同高斯学到不同动力学 → 自然分开成不同对象
特点: "先学驱动，分割自然涌现"
代表论文: TRACE (#129)
优势: 无监督，从视频自动学习
劣势: 分割精度可能不如显式，需要足够运动多样性

无分割（No Segmentation）

特点: 整个场景统一仿真，无需区分对象
代表论文: PhysGaussian, 弹簧-质量系统 适用场景: 单对象仿真、全局形变（软体、布料）