論文の概要: PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification

• arxiv url: http://arxiv.org/abs/2303.05512v1
• Date: Thu, 9 Mar 2023 18:59:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 13:29:37.093642
• Title: PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification
• Title（参考訳）: PAC-NeRF:物理増進連続神経放射場を用いた幾何学的システム同定
• Authors: Xuan Li, Yi-Ling Qiao, Peter Yichen Chen, Krishna Murthy Jatavallabhula, Ming Lin, Chenfanfu Jiang, Chuang Gan
• Abstract要約: ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
• 参考スコア（独自算出の注目度）: 64.61198351207752
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Existing approaches to system identification (estimating the physical parameters of an object) from videos assume known object geometries. This precludes their applicability in a vast majority of scenes where object geometries are complex or unknown. In this work, we aim to identify parameters characterizing a physical system from a set of multi-view videos without any assumption on object geometry or topology. To this end, we propose "Physics Augmented Continuum Neural Radiance Fields" (PAC-NeRF), to estimate both the unknown geometry and physical parameters of highly dynamic objects from multi-view videos. We design PAC-NeRF to only ever produce physically plausible states by enforcing the neural radiance field to follow the conservation laws of continuum mechanics. For this, we design a hybrid Eulerian-Lagrangian representation of the neural radiance field, i.e., we use the Eulerian grid representation for NeRF density and color fields, while advecting the neural radiance fields via Lagrangian particles. This hybrid Eulerian-Lagrangian representation seamlessly blends efficient neural rendering with the material point method (MPM) for robust differentiable physics simulation. We validate the effectiveness of our proposed framework on geometry and physical parameter estimation over a vast range of materials, including elastic bodies, plasticine, sand, Newtonian and non-Newtonian fluids, and demonstrate significant performance gain on most tasks.
• Abstract（参考訳）: ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 これにより、オブジェクトのジオメトリーが複雑または未知のシーンの大部分で適用が不可能になる。 本研究では,オブジェクト形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 そこで本研究では,高ダイナミックな物体の未知の形状と物理パラメータをマルチビュービデオから推定する"physics augmented continuum neural radiance fields"(pac-nerf)を提案する。 PAC-NeRFは、連続体力学の保存則に従うように神経放射場を強制することによって、物理的に可塑性な状態しか生成しないように設計されている。 そこで我々は,ニューラルラグランジアン粒子によるニューラルラグランジアン・ラグランジアンのハイブリッド表現,すなわち,ニューラルラグランジアン粒子によるニューラルラグランジアン場を回避しつつ,ニューラルラグランジアン密度と色場に対するユーレリア格子表現を設計する。 このハイブリッドユーレリア・ラグランジアン表現は、堅牢な微分可能な物理シミュレーションのための材料点法(MPM)と効率的なニューラルレンダリングをシームレスにブレンドする。 提案手法は, 弾性体, 可塑性体, 砂, ニュートン流体, 非ニュートン流体など幅広い材料において, 幾何および物理パラメータ推定における有効性を検証し, ほとんどのタスクにおいて有意な性能向上を示す。

関連論文リスト

• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが弾塑性材料と環境の物理パラメータを推定できる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with Lagrangian Particle Optimization [20.586692311724914]
  幾何学に依存しないシステム識別(Geometry-Agnostic System Identification)は、幾何学的な仮定なしにビデオシーケンスから物体の幾何学的特性と物理的性質を識別する技術である。 近年, 物理学強化連続神経放射場 (PAC-NeRF) が, この手法の有望な結果を示している。 ラグランジアン粒子最適化(LPO)を提案し,ラグランジアン空間の映像系列を用いて粒子の位置と特徴を最適化する。
  論文  参考訳（メタデータ） (2024-06-06T15:17:33Z)
• 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)
• Topology optimization with physics-informed neural networks: application to noninvasive detection of hidden geometries [0.40611352512781856]
  本稿では,隠れた幾何学構造を検出するためのPINNに基づくトポロジ最適化フレームワークを提案する。 非線形弾性体および非線形弾性体における隠れヴォイドおよび包有物の数,位置,形状を検出することにより,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2023-03-13T12:44:32Z)
• 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)
• Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
  まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。 既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。 本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
  論文  参考訳（メタデータ） (2022-06-14T03:38:08Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes [9.119424247289857]
  微分物理学は、シーンの理解と相互作用の推論のためのコンピュータとロボティクスの強力なツールである。 既存のアプローチは、前もって単純な形状や形状のオブジェクトに限られていることが多い。
  論文  参考訳（メタデータ） (2021-11-30T11:56:24Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)
• AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud Processing [14.160687527074858]
  本稿では,流体力学における自然流現象を動機とした点雲処理のための物理に着想を得たディープラーニング手法を提案する。 我々の学習アーキテクチャは、静的背景格子とラグランジアン物質空間を用いて、移動粒子を用いてユーレリア世界のデータを共同で定義する。 本研究では,様々なポイントクラウドの分類とセグメンテーション問題を最先端性能で解くことで,本システムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-02-01T01:21:05Z)

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。