論文の概要: SURFSUP: Learning Fluid Simulation for Novel Surfaces
- arxiv url: http://arxiv.org/abs/2304.06197v1
- Date: Thu, 13 Apr 2023 00:17:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:58:40.925493
- Title: SURFSUP: Learning Fluid Simulation for Novel Surfaces
- Title（参考訳）: SURFSUP:新しい表面の流体シミュレーションを学習する
- Authors: Arjun Mani, Ishaan Preetam Chandratreya, Elliot Creager, Carl
Vondrick, Richard Zemel
- Abstract要約: 署名された距離関数(SDF)を用いて暗黙的にオブジェクトを表現するフレームワークであるSURFSUPを紹介する。
この連続的な幾何学表現は、長期間にわたって流体-物体相互作用のより正確なシミュレーションを可能にする。
流体の流れを操作できるシンプルな物体を設計するために、我々のモデルを逆向きに設計できることを示します。
- 参考スコア（独自算出の注目度）: 21.758427681098226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the mechanics of fluid in complex scenes is vital to applications in
design, graphics, and robotics. Learning-based methods provide fast and
differentiable fluid simulators, however most prior work is unable to
accurately model how fluids interact with genuinely novel surfaces not seen
during training. We introduce SURFSUP, a framework that represents objects
implicitly using signed distance functions (SDFs), rather than an explicit
representation of meshes or particles. This continuous representation of
geometry enables more accurate simulation of fluid-object interactions over
long time periods while simultaneously making computation more efficient.
Moreover, SURFSUP trained on simple shape primitives generalizes considerably
out-of-distribution, even to complex real-world scenes and objects. Finally, we
show we can invert our model to design simple objects to manipulate fluid flow.
- Abstract（参考訳）: 複雑なシーンにおける流体の力学のモデリングは、設計、グラフィックス、ロボット工学の応用に不可欠である。
学習に基づく手法は高速で微分可能な流体シミュレータを提供するが、ほとんどの先行研究では、訓練中に見えない真に新しい表面と流体がどのように相互作用するかを正確にモデル化できない。
我々は,メッシュや粒子の明示的な表現ではなく,符号付き距離関数(SDF)を用いて暗黙的にオブジェクトを表現するフレームワークであるSURFSUPを紹介する。
この連続的な幾何学表現により、流体-物体間相互作用のより正確なシミュレーションが可能となり、同時に計算の効率も向上する。
さらに、単純な形状のプリミティブで訓練されたSURFSUPは、複雑な現実世界のシーンやオブジェクトに対してさえ、かなりアウトオブディストリビューションを一般化する。
最後に, 流体の流れを制御できるシンプルな物体を設計するために, モデルに逆転できることを示す。
関連論文リスト
- Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - Closing the Visual Sim-to-Real Gap with Object-Composable NeRFs [59.12526668734703]
本稿では,オブジェクト合成可能なNeRFモデルであるComposable Object Volume NeRF(COV-NeRF)を紹介する。
COV-NeRFは、実際の画像からオブジェクトを抽出し、それらを新しいシーンに合成し、フォトリアリスティックなレンダリングと多くのタイプの2Dおよび3D監視を生成する。
論文 参考訳（メタデータ） (2024-03-07T00:00:02Z) - A GPU-based Hydrodynamic Simulator with Boid Interactions [6.356750384481682]
実時間水メッシュ表面を再構成したスムーズな粒子流体力学(SPH)環境下での仮想エージェント挙動とナビゲーションをシミュレーションするために,DirectXのGPU計算シェーダを用いた流体力学シミュレーションシステムを提案する。
本システムは,水中航法や遠隔操作のための流体環境と相互作用するボイドエージェントの代わりに,強化ロボットエージェントに十分な汎用性を有する。
論文 参考訳（メタデータ） (2023-11-25T17:59:25Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - Simulating Fluids in Real-World Still Images [39.93838010016248]
本研究では,静止画像から現実の流体アニメーションに挑戦する。
本システムの鍵となるのは,映像分解から導かれる表面層表現である。
さらに, 動き推定の代替として, 2.5D$の流体計算バージョンである表面のみの流体シミュレーションを導入する。
論文 参考訳（メタデータ） (2022-04-24T18:47:15Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳（メタデータ） (2020-12-22T09:21:40Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z)
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。