論文の概要: Learning to predict 3D rotational dynamics from images of a rigid body
with unknown mass distribution
- arxiv url: http://arxiv.org/abs/2209.11355v2
- Date: Tue, 6 Jun 2023 13:39:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 21:53:43.448025
- Title: Learning to predict 3D rotational dynamics from images of a rigid body
with unknown mass distribution
- Title（参考訳）: 質量分布が不明な剛体像からの3次元回転ダイナミクス予測のための学習
- Authors: Justice Mason and Christine Allen-Blanchette and Nicholas Zolman and
Elizabeth Davison and Naomi Leonard
- Abstract要約: 画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
本研究は, 回転物体の合成画像列の新たな回転剛体データセットに対するアプローチの有効性を実証する。
- 参考スコア（独自算出の注目度）: 2.572404739180802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many real-world settings, image observations of freely rotating 3D rigid
bodies, may be available when low-dimensional measurements are not. However,
the high-dimensionality of image data precludes the use of classical estimation
techniques to learn the dynamics. The usefulness of standard deep learning
methods is also limited because an image of a rigid body reveals nothing about
the distribution of mass inside the body, which, together with initial angular
velocity, is what determines how the body will rotate. We present a
physics-informed neural network model to estimate and predict 3D rotational
dynamics from image sequences. We achieve this using a multi-stage prediction
pipeline that maps individual images to a latent representation homeomorphic to
$\mathbf{SO}(3)$, computes angular velocities from latent pairs, and predicts
future latent states using the Hamiltonian equations of motion. We demonstrate
the efficacy of our approach on new rotating rigid-body datasets of sequences
of synthetic images of rotating objects, including cubes, prisms and
satellites, with unknown uniform and non-uniform mass distributions.
- Abstract（参考訳）: 多くの実世界の環境では、低次元の測定がなければ、自由に回転する3次元剛体の画像観察が可能である。
しかし、画像データの高次元性は、力学を学ぶために古典的推定技術を使うことを妨げる。
標準的な深層学習法の有用性は、剛体のイメージが体内の質量の分布について何も明らかにしないため、最初の角速度とともに、身体がどのように回転するかを決定するため、制限される。
画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
これを多段階予測パイプラインを用いて実現し、個々の画像を$\mathbf{so}(3)$ に準同型な潜在表現にマッピングし、潜在対からの角速度を計算し、ハミルトニアン運動方程式を用いて将来の潜在状態を予測する。
本研究では, 立方体, プリズム, 衛星を含む回転物体の合成画像列を, 均一な質量分布と不均一な質量分布を持つ新しい回転剛体データセットに適用した。
関連論文リスト
- 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳（メタデータ） (2024-11-01T12:50:38Z) - DEL: Discrete Element Learner for Learning 3D Particle Dynamics with Neural Rendering [10.456618054473177]
逆レンダリングにより2次元画像から3次元ダイナミクスを学習する方法を示す。
学習可能なグラフカーネルを古典的な離散要素分析フレームワークに組み込む。
本手法は, 部分的な2次元観察から, 各種材料の力学を効果的に学習することができる。
論文 参考訳（メタデータ） (2024-10-11T16:57:02Z) - Learning to Predict 3D Rotational Dynamics from Images of a Rigid Body with Unknown Mass Distribution [4.386534439007928]
画像列から3次元回転力学を推定・予測するための物理ベースニューラルネットワークモデルを提案する。
本研究は, 回転物体の合成画像列の新たな回転剛体データセットに対するアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-24T17:47:32Z) - NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D
Human Pose and Shape Estimation [53.25973084799954]
両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。
NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
論文 参考訳（メタデータ） (2023-05-15T12:13:24Z) - Learning Neural Radiance Fields from Multi-View Geometry [1.1011268090482573]
画像に基づく3次元再構成のために,多視点幾何アルゴリズムとニューラルレージアンス場(NeRF)を組み合わせたMVG-NeRF(MVG-NeRF)というフレームワークを提案する。
NeRFは暗黙の3D表現の分野に革命をもたらした。
論文 参考訳（メタデータ） (2022-10-24T08:53:35Z) - NeuPhysics: Editable Neural Geometry and Physics from Monocular Videos [82.74918564737591]
本稿では,モノクラーRGBビデオ入力のみから動的シーンの3次元形状と物理パラメータを学習する手法を提案する。
実験により,提案手法は,競合するニューラルフィールドアプローチと比較して,動的シーンのメッシュとビデオの再構成に優れることを示した。
論文 参考訳（メタデータ） (2022-10-22T04:57:55Z) - Neural Implicit Surface Reconstruction using Imaging Sonar [38.73010653104763]
画像ソナー(FLS)を用いた物体の高密度3次元再構成手法を提案する。
シーン幾何を点雲や体積格子としてモデル化する従来の手法と比較して、幾何をニューラル暗黙関数として表現する。
我々は,実データと合成データを用いて実験を行い,本アルゴリズムは,従来よりも高精細なFLS画像から高精細な表面形状を再構成し,それに伴うメモリオーバーヘッドに悩まされることを実証した。
論文 参考訳（メタデータ） (2022-09-17T02:23:09Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z) - 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) - Fully Steerable 3D Spherical Neurons [14.86655504533083]
本稿では,球面決定曲面からなり,点雲上で動作可能なフィードフォワード学習方式を提案する。
我々の理論の固有の幾何学的3次元構造のため、我々はその原子部分に対して3次元の操舵性制約を導出する。
モデルパラメータが推論時にどのように完全に制御可能であるかを示す。
論文 参考訳（メタデータ） (2021-06-02T16:30:02Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳（メタデータ） (2020-08-18T06:33:40Z)
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。