論文の概要: DSNet: Dynamic Skin Deformation Prediction by Recurrent Neural Network
- arxiv url: http://arxiv.org/abs/2201.07660v1
- Date: Fri, 26 Nov 2021 10:19:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 19:25:10.104734
- Title: DSNet: Dynamic Skin Deformation Prediction by Recurrent Neural Network
- Title（参考訳）: DSNet:リカレントニューラルネットワークによる動的皮膚変形予測
- Authors: Hyewon Seo (ICube), Kaifeng Zou (ICube), Frederic Cordier (IRIMAS)
- Abstract要約: 本稿では,動的皮膚変形の学習手法を提案する。
私たちの研究の核となるのは、時間の経過とともに非線形で動的に依存した形状変化を予測することを学ぶリカレントニューラルネットワークです。
トレーニング後、ネットワークは、リアルタイムコースで人特有の、現実的で高品質なスキンダイナミクスを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin dynamics contributes to the enriched realism of human body models in
rendered scenes. Traditional methods rely on physics-based simulations to
accurately reproduce the dynamic behavior of soft tissues. Due to the model
complexity and thus the heavy computation, however, they do not directly offer
practical solutions to domains where real-time performance is desirable. The
quality shapes obtained by physics-based simulations are not fully exploited by
example-based or more recent datadriven methods neither, with most of them
having focused on the modeling of static skin shapes by leveraging quality
data. To address these limitations, we present a learningbased method for
dynamic skin deformation. At the core of our work is a recurrent neural network
that learns to predict the nonlinear, dynamics-dependent shape change over time
from pre-existing mesh deformation sequence data. Our network also learns to
predict the variation of skin dynamics across different individuals with
varying body shapes. After training the network delivers realistic,
high-quality skin dynamics that is specific to a person in a real-time course.
We obtain results that significantly saves the computational time, while
maintaining comparable prediction quality compared to state-of-the-art results.
- Abstract（参考訳）: 皮膚力学は、レンダリングシーンにおける人体モデルの豊かなリアリズムに寄与する。
従来の手法は、軟組織の動的挙動を正確に再現するために物理学に基づくシミュレーションに依存していた。
しかし、モデルが複雑で計算量が重いため、リアルタイムのパフォーマンスが望ましい領域に対して、直接的に実用的なソリューションを提供しない。
物理ベースのシミュレーションによって得られた品質形状は、サンプルベースまたはより最近のデータ駆動手法によっても十分に活用されておらず、そのほとんどは品質データを利用して静的皮膚形状のモデリングに焦点を当てている。
そこで本研究では, 動的皮膚変形の学習法を提案する。
私たちの研究の中心は、既存のメッシュ変形シーケンスデータから、非線形でダイナミクスに依存した形状変化を予測することを学ぶ、リカレントニューラルネットワークです。
我々のネットワークはまた、身体形状の異なる個人間での皮膚動態の変化を予測することを学ぶ。
トレーニング後、ネットワークは、リアルタイムコースの人に特有の、リアルで高品質なスキンダイナミクスを提供する。
計算時間を大幅に短縮する結果を得るとともに,最先端の予測結果と同等の予測品質を維持する。
関連論文リスト
- Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。
また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
論文 参考訳（メタデータ） (2024-10-10T17:43:36Z) - AdaptiGraph: Material-Adaptive Graph-Based Neural Dynamics for Robotic Manipulation [30.367498271886866]
本稿では,学習に基づく動的モデリング手法であるAdaptiGraphを紹介する。
ロボットは様々な難易度の高い変形可能な素材を予測し、適応し、制御することができる。
実世界の変形可能な物体の多種多様な集合を含む予測・操作タスクについて,予測精度とタスク習熟度に優れることを示す。
論文 参考訳（メタデータ） (2024-07-10T17:57:04Z) - A Neural-Network-Based Approach for Loose-Fitting Clothing [2.910739621411222]
本稿では, リアルタイム数値アルゴリズムを用いて, ゆるやかな衣服の動的モードを近似する方法を示す。
また,スキンを用いて望ましいメッシュに粗い近似を再構築する。
大量のトレーニングデータを必要とするリカレントニューラルネットワークとは対照的に、QNNはトレーニングデータを大幅に少なくする。
論文 参考訳（メタデータ） (2024-04-25T05:52:20Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion
Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。
提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文 参考訳（メタデータ） (2022-05-03T07:54:39Z) - Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying
Non-Autonomous Dynamical Systems [0.0]
制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。
これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。
実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
論文 参考訳（メタデータ） (2022-04-27T14:33:02Z) - ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object
Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。
ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。
我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文 参考訳（メタデータ） (2022-03-14T04:56:55Z) - Thermodynamics-based Artificial Neural Networks for constitutive
modeling [0.0]
本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。
熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。
本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
論文 参考訳（メタデータ） (2020-05-25T15:56:34Z) - Model-Based Robust Deep Learning: Generalizing to Natural,
Out-of-Distribution Data [104.69689574851724]
本稿では,摂動に基づく逆方向の強靭性からモデルに基づく頑健な深層学習へのパラダイムシフトを提案する。
我々の目標は、深層ニューラルネットワークを訓練し、データの自然な変動に対して堅牢にするための一般的なトレーニングアルゴリズムを提供することです。
論文 参考訳（メタデータ） (2020-05-20T13:46:31Z) - Physics-Incorporated Convolutional Recurrent Neural Networks for Source
Identification and Forecasting of Dynamical Systems [10.689157154434499]
本稿では,数値物理学に基づくモデルと深層学習を組み合わせたハイブリッドフレームワークを提案する。
我々は、我々のモデルであるPhICNetを、S時間進化を予測するためのエンドツーエンドのトレーニングが可能な畳み込みリカレントニューラルネットワーク(RNN)として定式化する。
実験結果から,提案モデルが比較的長期間にわたって力学を予測し,情報源も同定できることが示唆された。
論文 参考訳（メタデータ） (2020-04-14T00:27:18Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。