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
- 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) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳(メタデータ) (2023-09-27T00:12:07Z) - 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) - Graph Convolutional Networks for Simulating Multi-phase Flow and
Transport in Porous Media [0.0]
グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と輸送過程の時空間解を近似する。
2次元不均質試験の結果,サロゲートは圧力と飽和状態の進化を高い精度で予測できることがわかった。
論文 参考訳(メタデータ) (2023-07-10T09:59:35Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳(メタデータ) (2023-06-15T08:33:52Z) - 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) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z)
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。