論文の概要: NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin Shell Theory

• arxiv url: http://arxiv.org/abs/2308.12970v1
• Date: Thu, 24 Aug 2023 17:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 12:47:15.159497
• Title: NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin Shell Theory
• Title（参考訳）: ニューラルクロスシム:キルヒホフ・ラヴの薄い殻理論に適合する神経変形場
• Authors: Navami Kairanda and Marc Habermann and Christian Theobalt and Vladislav Golyanik
• Abstract要約: 既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。 ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。 メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
• 参考スコア（独自算出の注目度）: 75.21240705566692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloth simulation is an extensively studied problem, with a plethora of solutions available in computer graphics literature. Existing cloth simulators produce realistic cloth deformations that obey different types of boundary conditions. Nevertheless, their operational principle remains limited in several ways: They operate on explicit surface representations with a fixed spatial resolution, perform a series of discretised updates (which bounds their temporal resolution), and require comparably large amounts of storage. Moreover, back-propagating gradients through the existing solvers is often not straightforward, which poses additional challenges when integrating them into modern neural architectures. In response to the limitations mentioned above, this paper takes a fundamentally different perspective on physically-plausible cloth simulation and re-thinks this long-standing problem: We propose NeuralClothSim, i.e., a new cloth simulation approach using thin shells, in which surface evolution is encoded in neural network weights. Our memory-efficient and differentiable solver operates on a new continuous coordinate-based representation of dynamic surfaces, i.e., neural deformation fields (NDFs); it supervises NDF evolution with the rules of the non-linear Kirchhoff-Love shell theory. NDFs are adaptive in the sense that they 1) allocate their capacity to the deformation details as the latter arise during the cloth evolution and 2) allow surface state queries at arbitrary spatial and temporal resolutions without retraining. We show how to train our NeuralClothSim solver while imposing hard boundary conditions and demonstrate multiple applications, such as material interpolation and simulation editing. The experimental results highlight the effectiveness of our formulation and its potential impact.
• Abstract（参考訳）: 布のシミュレーションは広く研究されている問題であり、コンピュータグラフィックス文学で利用できるソリューションは多岐にわたる。 既存の布のシミュレータは、異なる種類の境界条件に従う現実的な布の変形を生み出す。 それらは固定された空間解像度で明示的な表面表現を演算し、一連の離散化された更新(時間分解能を束縛する)を行い、膨大な量の記憶を必要とする。 さらに、既存のソルバを通じて逆伝播する勾配は、多くの場合、単純ではない。 上述の制限に応えて、本論文は、物理的に証明可能な布のシミュレーションを根本的に異なる視点で捉え、この長年の問題を再考する:ニューラルクロスシム(NeuralClothSim)、すなわち、薄い殻を用いた新しい布のシミュレーション手法を提案し、表面の進化をニューラルネットワークの重みに符号化する。 我々のメモリ効率と微分可能解法は、ニューラル変形場(NDF)と呼ばれる新しい連続座標に基づく動的曲面の表現を演算し、非線形Kirchhoff-Loveシェル理論の規則でNDFの進化を監督する。 NDFはそれらの意味で適応的である 1)布の進化中に後者が生じるように、変形詳細に容量を割り当てる。 2) 任意の空間的および時間的分解能で表面状態のクエリを再トレーニングすることなく行う。 本稿では,ハードバウンダリ条件を適用したNeuralClothSimソルバのトレーニング方法を示し,材料補間やシミュレーション編集など複数の応用例を示す。 実験結果は, 定式化の有効性と潜在的影響を明らかにする。

関連論文リスト

• A Neural Material Point Method for Particle-based Simulations [5.4346288442609945]
  本稿では,粒子シミュレーションのためのニューラルネットワークエミュレーションフレームワークNeuralMPMを提案する。 NeuralMPMは、ラグランジュ粒子を固定サイズグリッドに補間し、イメージ・ツー・イメージニューラルネットワークを使用してグリッドノードの更新を計算し、粒子に補間する。 流体力学や流体-固体相互作用など,いくつかのデータセット上でのNeuralMPMの利点を実証する。
  論文  参考訳（メタデータ） (2024-08-28T12:39:51Z)
• Neural Stress Fields for Reduced-order Elastoplasticity and Fracture [43.538728312264524]
  弾塑性と破壊の低次モデリングのためのハイブリッドニューラルネットワークと物理フレームワークを提案する。 鍵となる革新は、暗黙の神経表現を通してキルヒホフ応力場に対する低次元多様体を訓練することである。 最大10万倍の次元削減と最大10倍の時間節約を実証した。
  論文  参考訳（メタデータ） (2023-10-26T21:37:32Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• NSF: Neural Surface Fields for Human Modeling from Monocular Depth [46.928496022657185]
  スパースデータから動的できめ細かな衣服の変形をモデル化することは困難である。 深度データから3次元人間をモデル化するための既存の手法は、計算効率、メッシュコヒーレンシー、解像度とトポロジーの柔軟性に制限がある。 本研究では, 単眼深度から3次元布地をモデル化するニューラル表面場を提案する。
  論文  参考訳（メタデータ） (2023-08-28T19:08:17Z)
• Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation [0.0]
  我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。 フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。 データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
  論文  参考訳（メタデータ） (2023-04-20T12:01:58Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。