論文の概要: Thermodynamics-informed neural networks for physically realistic mixed reality

• arxiv url: http://arxiv.org/abs/2210.13414v1
• Date: Mon, 24 Oct 2022 17:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 15:42:42.174602
• Title: Thermodynamics-informed neural networks for physically realistic mixed reality
• Title（参考訳）: 物理的に現実的な混合現実のための熱力学インフォームドニューラルネットワーク
• Authors: Quercus Hern\'andez, Alberto Bad\'ias, Francisco Chinesta, El\'ias Cueto
• Abstract要約: 本稿では, リアルタイムユーザインタラクションによって誘導される変形可能な物体の動的応答を, 深層学習を用いて計算する手法を提案する。 この手法のグラフベースのアーキテクチャは,予測の熱力学的一貫性を保証する一方,可視化パイプラインは自然でリアルなユーザエクスペリエンスを実現する。
• 参考スコア（独自算出の注目度）: 0.09332987715848712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The imminent impact of immersive technologies in society urges for active research in real-time and interactive physics simulation for virtual worlds to be realistic. In this context, realistic means to be compliant to the laws of physics. In this paper we present a method for computing the dynamic response of (possibly non-linear and dissipative) deformable objects induced by real-time user interactions in mixed reality using deep learning. The graph-based architecture of the method ensures the thermodynamic consistency of the predictions, whereas the visualization pipeline allows a natural and realistic user experience. Two examples of virtual solids interacting with virtual or physical solids in mixed reality scenarios are provided to prove the performance of the method.
• Abstract（参考訳）: 社会における没入的技術が差し迫った影響は、仮想世界のリアルタイムおよびインタラクティブな物理シミュレーションにおけるアクティブな研究が現実的になるように促される。 この文脈では、現実的な意味は物理学の法則に従うことである。 本稿では,複合現実感におけるリアルタイムユーザインタラクションによって引き起こされる変形可能な物体の動的応答を,ディープラーニングを用いて計算する手法を提案する。 グラフベースのアーキテクチャは予測の熱力学的一貫性を確保し、可視化パイプラインは自然で現実的なユーザエクスペリエンスを実現する。 混合現実シナリオにおける仮想または物理的固体と相互作用する仮想固体の2つの例は、その手法の性能を証明するために提供される。

関連論文リスト

• Physics meets Topology: Physics-informed topological neural networks for learning rigid body dynamics [6.675805308519987]
  剛体力学と学習衝突相互作用をモデル化するための新しい枠組みを提案する。 そこで本研究では,物理法則を直接モデルに組み込む物理インフォームドメッセージパッシングニューラルアーキテクチャを提案する。 この研究は、様々な科学的・工学的な領域にまたがる応用において、マルチエンタリティ・ダイナミックな相互作用の課題に対処する。
  論文  参考訳（メタデータ） (2024-11-18T11:03:15Z)
• Haptic Repurposing with GenAI [5.424247121310253]
  Mixed Realityは、デジタル世界と物理的な世界を融合して、没入型人間とコンピュータのインタラクションを作ることを目指している。 本稿では,Haptic Repurposing with GenAIを紹介し,任意の物理オブジェクトをAI生成仮想アセットの適応型触覚インターフェースに変換することによってMRインタラクションを強化する革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:06:28Z)
• Physics3D: Learning Physical Properties of 3D Gaussians via Video Diffusion [35.71595369663293]
  ビデオ拡散モデルを用いて3Dオブジェクトの様々な物理的特性を学習する新しい手法である textbfPhysics3D を提案する。 本手法では,粘弾性材料モデルに基づく高一般化物理シミュレーションシステムを設計する。 弾性材料とプラスチック材料の両方を用いて, 本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-06T17:59:47Z)
• PhysDreamer: Physics-Based Interaction with 3D Objects via Video Generation [62.53760963292465]
  PhysDreamerは物理に基づくアプローチで、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える。 本稿では, 弾性物体の多様な例について考察し, ユーザスタディを通じて合成された相互作用の現実性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T17:41:05Z)
• VR-GS: A Physical Dynamics-Aware Interactive Gaussian Splatting System in Virtual Reality [39.53150683721031]
  提案するVR-GSシステムは,人間中心の3Dコンテンツインタラクションにおける飛躍的な進歩を示す。 私たちの仮想現実システムのコンポーネントは、高い効率と有効性のために設計されています。
  論文  参考訳（メタデータ） (2024-01-30T01:28:36Z)
• 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)
• Motion Deblurring with Real Events [50.441934496692376]
  本稿では,イベントベースの動作を自己教師型で記述するエンド・ツー・エンドの学習フレームワークを提案する。 実世界のイベントは、データ不整合によるパフォーマンス劣化を軽減するために利用される。
  論文  参考訳（メタデータ） (2021-09-28T13:11:44Z)
• ThreeDWorld: A Platform for Interactive Multi-Modal Physical Simulation [75.0278287071591]
  ThreeDWorld (TDW) はインタラクティブなマルチモーダル物理シミュレーションのためのプラットフォームである。 TDWは、リッチな3D環境において、高忠実な感覚データのシミュレーションと、移動体エージェントとオブジェクト間の物理的相互作用を可能にする。 我々は、コンピュータビジョン、機械学習、認知科学における新たな研究方向において、TDWによって実現された初期実験を提示する。
  論文  参考訳（メタデータ） (2020-07-09T17:33:27Z)
• 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)
• RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
  インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。 シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
  論文  参考訳（メタデータ） (2020-04-14T20:52:49Z)

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。