論文の概要: SNUG: Self-Supervised Neural Dynamic Garments
- arxiv url: http://arxiv.org/abs/2204.02219v1
- Date: Tue, 5 Apr 2022 13:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 12:52:40.205237
- Title: SNUG: Self-Supervised Neural Dynamic Garments
- Title(参考訳): SNUG: 自己監督型ニューラルダイナミックガーメント
- Authors: Igor Santesteban and Miguel A. Otaduy and Dan Casas
- Abstract要約: 本研究では,パラメトリックな人体が着る衣服の動的3次元変形を自己指導的に学習する手法を提案する。
これにより、動的変形や細かいしわを含むインタラクティブな衣服のモデルを、トレーニング時間に2桁の速度で学習することができる。
- 参考スコア(独自算出の注目度): 14.83072352654608
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a self-supervised method to learn dynamic 3D deformations of
garments worn by parametric human bodies. State-of-the-art data-driven
approaches to model 3D garment deformations are trained using supervised
strategies that require large datasets, usually obtained by expensive
physics-based simulation methods or professional multi-camera capture setups.
In contrast, we propose a new training scheme that removes the need for
ground-truth samples, enabling self-supervised training of dynamic 3D garment
deformations. Our key contribution is to realize that physics-based deformation
models, traditionally solved in a frame-by-frame basis by implicit integrators,
can be recasted as an optimization problem. We leverage such optimization-based
scheme to formulate a set of physics-based loss terms that can be used to train
neural networks without precomputing ground-truth data. This allows us to learn
models for interactive garments, including dynamic deformations and fine
wrinkles, with two orders of magnitude speed up in training time compared to
state-of-the-art supervised methods
- Abstract(参考訳): パラメトリック人体が着用する衣服の動的3次元変形を学習するための自己教師あり手法を提案する。
3d衣料変形をモデル化する最先端のデータ駆動アプローチは、大規模なデータセットを必要とする教師付き戦略を用いて訓練される。
対照的に,新しいトレーニング手法を提案することにより,動的3次元衣服の変形を自己指導的に行うことが可能となる。
我々の重要な貢献は、暗黙の積分器によって伝統的にフレーム単位で解決された物理ベースの変形モデルを最適化問題として再キャストできることである。
このような最適化に基づくスキームを利用して物理に基づく損失項の集合を定式化し、ニューラルネットワークのトレーニングに使用する。
これにより、動的変形や細かいしわなどインタラクティブな衣服のモデルを学ぶことができ、最先端の教師付き方法と比較して、トレーニング時間の2桁のスピードアップを実現します。
関連論文リスト
- Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳(メタデータ) (2024-10-31T18:37:22Z) - TFS-NeRF: Template-Free NeRF for Semantic 3D Reconstruction of Dynamic Scene [25.164085646259856]
本稿では,スパースやシングルビューRGBビデオから捉えたダイナミックシーンのための3DセマンティックNeRFを提案する。
我々のフレームワークは、トレーニングプロセスであるLBS予測にInvertible Neural Network(INN)を使用している。
本手法は, 複雑な相互作用において, 変形性オブジェクトと非変形性オブジェクトの両方を高品質に再構成する。
論文 参考訳(メタデータ) (2024-09-26T01:34:42Z) - Robust Category-Level 3D Pose Estimation from Synthetic Data [17.247607850702558]
CADモデルから生成されたオブジェクトポーズ推定のための新しい合成データセットであるSyntheticP3Dを紹介する。
逆レンダリングによるポーズ推定を行うニューラルネットワークモデルをトレーニングするための新しいアプローチ(CC3D)を提案する。
論文 参考訳(メタデータ) (2023-05-25T14:56:03Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳(メタデータ) (2021-11-30T04:10:57Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Physics-Informed Neural State Space Models via Learning and Evolution [1.1086440815804224]
システム同定のためのニューラル状態空間力学モデルの検出法について検討する。
モデル選択と最適化を交互に行う非同期な遺伝的探索アルゴリズムを用いる。
論文 参考訳(メタデータ) (2020-11-26T23:35:08Z) - SoftSMPL: Data-driven Modeling of Nonlinear Soft-tissue Dynamics for
Parametric Humans [15.83525220631304]
我々は,身体形状と運動の関数として,現実的なソフトタスクのダイナミクスをモデル化する学習ベース手法であるSoftSMPLを提案する。
私たちのメソッドの中核には、非常に現実的なダイナミクスをモデル化できる3つの重要なコントリビューションがあります。
論文 参考訳(メタデータ) (2020-04-01T10:35:06Z) - Learning Predictive Representations for Deformable Objects Using
Contrastive Estimation [83.16948429592621]
視覚表現モデルと動的モデルの両方を協調的に最適化する新しい学習フレームワークを提案する。
我々は,標準モデルに基づく学習手法をロープや布の操作スイートで大幅に改善した。
論文 参考訳(メタデータ) (2020-03-11T17:55:15Z)
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。