論文の概要: Cloth in the Wind: A Case Study of Physical Measurement through Simulation

• arxiv url: http://arxiv.org/abs/2003.05065v1
• Date: Mon, 9 Mar 2020 21:32:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:19:16.737902
• Title: Cloth in the Wind: A Case Study of Physical Measurement through Simulation
• Title（参考訳）: 風中の布 : シミュレーションによる物理計測を事例として
• Authors: Tom F.H. Runia, Kirill Gavrilyuk, Cees G.M. Snoek, Arnold W.M. Smeulders
• Abstract要約: 実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。 この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
• 参考スコア（独自算出の注目度）: 50.31424339972478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For many of the physical phenomena around us, we have developed sophisticated models explaining their behavior. Nevertheless, measuring physical properties from visual observations is challenging due to the high number of causally underlying physical parameters -- including material properties and external forces. In this paper, we propose to measure latent physical properties for cloth in the wind without ever having seen a real example before. Our solution is an iterative refinement procedure with simulation at its core. The algorithm gradually updates the physical model parameters by running a simulation of the observed phenomenon and comparing the current simulation to a real-world observation. The correspondence is measured using an embedding function that maps physically similar examples to nearby points. We consider a case study of cloth in the wind, with curling flags as our leading example -- a seemingly simple phenomena but physically highly involved. Based on the physics of cloth and its visual manifestation, we propose an instantiation of the embedding function. For this mapping, modeled as a deep network, we introduce a spectral layer that decomposes a video volume into its temporal spectral power and corresponding frequencies. Our experiments demonstrate that the proposed method compares favorably to prior work on the task of measuring cloth material properties and external wind force from a real-world video.
• Abstract（参考訳）: 私たちを取り巻く多くの物理現象に対して、我々はそれらの振る舞いを説明する洗練されたモデルを開発した。 それでも、物質特性や外部力を含む多くの因果的物理パラメータが原因で、視覚的な観察から物理的特性を測定することは困難である。 本稿では,実例を見ることなく,風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションを核とする反復的なリファインメント手順です。 このアルゴリズムは、観測された現象のシミュレーションを実行し、現在のシミュレーションと実世界の観測を比較して、物理モデルパラメータを徐々に更新する。 この対応は、物理的に類似した例を近くの点にマップする埋め込み関数を用いて測定される。 風の布のケーススタディを考えて、カーリングフラッグを主な例として挙げます。 布の物理とその視覚的表現に基づいて,組込み関数のインスタンス化を提案する。 深層ネットワークとしてモデル化されたこのマッピングでは,ビデオボリュームを時間的スペクトルパワーと対応する周波数に分解するスペクトル層を導入する。 提案手法は,実世界の映像から布素材特性と外風力を測定する作業において,先行研究と好適に比較できることを示す。

関連論文リスト

• Compositional Physical Reasoning of Objects and Events from Videos [122.6862357340911]
  本稿では,物体の動きや相互作用から隠れた物理的特性を推定するという課題に対処する。 我々は、ComPhyの最先端ビデオ推論モデルを評価し、これらの隠れプロパティをキャプチャする限られた能力を明らかにする。 また,視覚的および隠れた物理的特性を学習し,原因を解明する,新しいニューロシンボリックな枠組みであるPhysical Concept Reasoner(PCR)を提案する。
  論文  参考訳（メタデータ） (2024-08-02T15:19:55Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• DiffAvatar: Simulation-Ready Garment Optimization with Differentiable Simulation [27.553678582454648]
  物理シミュレーションは、人間の現実的な動きを生み出すことができるが、布のシミュレーションには、関連する物理パラメータを持つ高品質な衣服の資産が必要である。 本稿では,身体と衣服の共最適化を行う新しい手法であるPapernameを提案する。 提案手法は,下流の用途に適したリアルな衣服や体型を創出することを示す。
  論文  参考訳（メタデータ） (2023-11-20T21:20:37Z)
• Physion++: Evaluating Physical Scene Understanding that Requires Online Inference of Different Physical Properties [100.19685489335828]
  この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。 正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。 我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
  論文  参考訳（メタデータ） (2023-06-27T17:59:33Z)
• ComPhy: Compositional Physical Reasoning of Objects and Events from Videos [113.2646904729092]
  目に見える性質と隠れた性質の間の構成性は、物理的な世界から推論するAIモデルに固有の課題をもたらす。 ビデオ推論に関する既存の研究は、主に物体の外観、動き、接触相互作用などの視覚的に観察可能な要素に焦点を当てている。 本稿では,視覚知覚,物理特性学習,動的予測,記号実行を組み合わせた,構成物理学学習(CPL)と呼ばれるオラクルニューラルシンボリックフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-02T17:59:13Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。