Fugu-MT 論文翻訳(概要): Learning Physics Properties of Fabrics and Garments with a Physics Similarity Neural Network

論文の概要: Learning Physics Properties of Fabrics and Garments with a Physics Similarity Neural Network

arxiv url: http://arxiv.org/abs/2112.10727v1
Date: Mon, 20 Dec 2021 18:19:12 GMT
ステータス: 処理完了
システム内更新日: 2021-12-21 17:49:08.710830
Title: Learning Physics Properties of Fabrics and Garments with a Physics Similarity Neural Network
Title（参考訳）: 物理類似性ニューラルネットワークを用いた織物・衣服の物理特性の学習
Authors: Li Duan, Lewis Boyd, Gerardo Aragon-Camarasa
Abstract要約: 物理類似性ネットワーク(PhySNet)を用いて実織物と衣服の物理類似性を学習し,その物理パラメータを予測することを提案する。本研究では,電気ファンが発生した風速と面積の重みを推定し,模擬織物や衣服の曲げ剛性を推定する。
参考スコア（独自算出の注目度）: 3.190574537106449
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose to predict the physics parameters of real fabrics and garments by learning their physics similarities between simulated fabrics via a Physics Similarity Network (PhySNet). For this, we estimate wind speeds generated by an electric fan and the area weight to predict bending stiffness of simulated and real fabrics and garments. We found that PhySNet coupled with a Bayesian optimiser can predict physics parameters and improve the state-of-art by 34%for real fabrics and 68% for real garments.
Abstract（参考訳）: 本稿では,物理類似ネットワーク(PhySNet)を用いて,実織物と衣服の物理パラメータをシミュレーション織物間の物理類似性を学習することにより予測する。本研究では,扇風機によって発生する風速と面積重量を推定し,実布や衣服の曲げ剛性を予測する。ファイネットをベイズ光子と組み合わせることで、物理パラメータを予測でき、実織物では34%、実服では68%改善できることがわかった。

関連論文リスト

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)
PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文参考訳（メタデータ） (2024-04-25T15:06:58Z)
PhysAvatar: Learning the Physics of Dressed 3D Avatars from Visual Observations [62.14943588289551]
逆レンダリングと逆物理を組み合わせた新しいフレームワークであるPhysAvatarを導入し、人間の形や外観を自動的に推定する。 PhysAvatarは、トレーニングデータに見られない動きや照明条件の下で、ゆったりした服を着たアバターを再構築する。
論文参考訳（メタデータ） (2024-04-05T21:44:57Z)
A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
論文参考訳（メタデータ） (2024-03-19T15:21:00Z)
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)
Fine-grained differentiable physics: a yarn-level model for fabrics [33.01541119342456]
微分可能な物理モデリングは、物理モデルと勾配に基づく学習を組み合わせて、モデル説明可能性とデータ効率を提供する。そこで本研究では,布などの複合材料に対する新しい微分可能な織物モデルを提案する。
論文参考訳（メタデータ） (2022-02-01T16:01:01Z)
PhysXNet: A Customizable Approach for LearningCloth Dynamics on Dressed People [38.23532960427364]
これらの衣服を装着した人間の3次元骨格運動列を与えられた変形可能な衣服のダイナミクスを予測するための学習ベースのアプローチであるPhysXNetを紹介した。 PhysXNetは、密度の高い布メッシュの幾何学をミリ秒単位で推定することができる。 PhysXNetは物理エンジンで計算したものと非常に近い布の変形を提供する。
論文参考訳（メタデータ） (2021-11-13T21:05:41Z)
Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文参考訳（メタデータ） (2021-10-28T17:59:13Z)
Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-10-27T03:30:18Z)
Cloth in the Wind: A Case Study of Physical Measurement through Simulation [50.31424339972478]
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。
論文参考訳（メタデータ） (2020-03-09T21:32:23Z)

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。