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

• arxiv url: http://arxiv.org/abs/2308.12970v3
• Date: Thu, 07 Nov 2024 14:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:36:03.013452
• Title: NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory
• Title（参考訳）: ニューラルクロthSim:ニューラル変形場は薄いシェル理論と一致する
• Authors: Navami Kairanda, Marc Habermann, Christian Theobalt, Vladislav Golyanik,
• Abstract要約: 薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
• 参考スコア（独自算出の注目度）: 70.10550467873499
• License:
• Abstract: Despite existing 3D cloth simulators producing realistic results, they predominantly operate on discrete surface representations (e.g. points and meshes) with a fixed spatial resolution, which often leads to large memory consumption and resolution-dependent simulations. Moreover, back-propagating gradients through the existing solvers is difficult, and they cannot be easily integrated into modern neural architectures. In response, this paper re-thinks physically plausible cloth simulation: We propose NeuralClothSim, i.e., a new quasistatic cloth simulator using thin shells, in which surface deformation is encoded in neural network weights in the form of a neural field. Our memory-efficient solver operates on a new continuous coordinate-based surface representation called neural deformation fields (NDFs); it supervises NDF equilibria with the laws of the non-linear Kirchhoff-Love shell theory with a non-linear anisotropic material model. NDFs are adaptive: They 1) allocate their capacity to the deformation details and 2) allow surface state queries at arbitrary spatial resolutions without re-training. We show how to train NeuralClothSim while imposing hard boundary conditions and demonstrate multiple applications, such as material interpolation and simulation editing. The experimental results highlight the effectiveness of our continuous neural formulation. See our project page: https://4dqv.mpi-inf.mpg.de/NeuralClothSim/.
• Abstract（参考訳）: 既存の3D布のシミュレータは現実的な結果を生み出すが、それらは主に空間分解能を固定した離散的な表面表現(例えば、点やメッシュ)で動作し、大きなメモリ消費と分解能に依存したシミュレーションに繋がる。 さらに、既存の解決器によるバックプロパゲート勾配は困難であり、現代のニューラルネットワークに容易に組み込むことはできない。 本稿では,ニューラルネットワークの重みで表面の変形を符号化した薄い殻を用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い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表面表現を演算し、非線形異方性物質モデルを用いた非線形キルヒホフ・ローブシェル理論の法則でNDF平衡を監督する。 NDFは適応的です。 1) 変形詳細に容量を割り当てて 2) 任意の空間分解能で表面状態のクエリを再学習することなく行う。 ハードバウンダリ条件を適用しながらNeuralClothSim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, 連続神経定式化の有効性を強調した。 https://4dqv.mpi-inf.mpg.de/NeuralClothSim/

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。