論文の概要: DeepFracture: A Generative Approach for Predicting Brittle Fractures with Neural Discrete Representation Learning
- arxiv url: http://arxiv.org/abs/2310.13344v2
- Date: Thu, 20 Feb 2025 07:06:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 22:18:11.163549
- Title: DeepFracture: A Generative Approach for Predicting Brittle Fractures with Neural Discrete Representation Learning
- Title(参考訳): DeepFracture:ニューラル離散表現学習による脆性骨折の予測
- Authors: Yuhang Huang, Takashi Kanai,
- Abstract要約: 本稿では,実行時の衝突動力学に基づくフラクチャー形状予測のための新しい学習手法を提案する。
本手法は, 現実的な脆性破壊アニメーションと剛性体シミュレーションをシームレスに統合し, 境界要素法(BEM)の脆性破壊シミュレーションを用いてトレーニングデータを生成する。
- 参考スコア(独自算出の注目度): 2.3421955132793166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of brittle fracture animation, generating realistic destruction animations using physics-based simulation methods is computationally expensive. While techniques based on Voronoi diagrams or pre-fractured patterns are effective for real-time applications, they fail to incorporate collision conditions when determining fractured shapes during runtime. This paper introduces a novel learning-based approach for predicting fractured shapes based on collision dynamics at runtime. Our approach seamlessly integrates realistic brittle fracture animations with rigid body simulations, utilising boundary element method (BEM) brittle fracture simulations to generate training data. To integrate collision scenarios and fractured shapes into a deep learning framework, we introduce generative geometric segmentation, distinct from both instance and semantic segmentation, to represent 3D fragment shapes. We propose an eight-dimensional latent code to address the challenge of optimising multiple discrete fracture pattern targets that share similar continuous collision latent codes. This code will follow a discrete normal distribution corresponding to a specific fracture pattern within our latent impulse representation design. This adaptation enables the prediction of fractured shapes using neural discrete representation learning. Our experimental results show that our approach generates considerably more detailed brittle fractures than existing techniques, while the computational time is typically reduced compared to traditional simulation methods at comparable resolutions.
- Abstract(参考訳): 脆性破壊アニメーションの分野では,物理シミュレーション法を用いて現実的な破壊アニメーションを生成するのは計算コストがかかる。
ボロノイ図やプレフラクチャードパターンに基づく手法はリアルタイムな応用に有効であるが、実行時に破断した形状を決定する際に衝突条件を組み込むことができない。
本稿では,実行時の衝突動力学に基づくフラクチャー形状予測のための新しい学習手法を提案する。
本手法は, 現実的な脆性破壊アニメーションと剛性体シミュレーションをシームレスに統合し, 境界要素法(BEM)の脆性破壊シミュレーションを用いてトレーニングデータを生成する。
衝突シナリオと破断形状を深層学習フレームワークに統合するために,3次元断片形状を表現するために,インスタンスとセマンティックセグメンテーションを区別した生成幾何学的セグメンテーションを導入する。
本研究では, 類似の連続衝突潜時符号を共有する複数の離散破壊パターンターゲットを最適化する問題に対処する8次元潜時符号を提案する。
この符号は、潜在インパルス表現設計における特定のフラクチャーパターンに対応する離散正規分布に従う。
この適応により、ニューラル離散表現学習を用いた破折形状の予測が可能となる。
実験結果から,本手法は既存の技術よりも細かな脆性破壊を生じさせるが,計算時間は従来のシミュレーション手法に比べて計算時間を短縮することが示唆された。
関連論文リスト
- Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。
データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
論文 参考訳(メタデータ) (2024-07-26T10:49:14Z) - A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties [0.0]
深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。
メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
論文 参考訳(メタデータ) (2024-07-22T14:28:46Z) - ContourCraft: Learning to Resolve Intersections in Neural Multi-Garment Simulations [70.38866232749886]
ニューラルネットワークシミュレーションにおける交差点処理のための学習ベースソリューションであるMonikerを提案する。
モニカーは、衝突の失敗、自己貫通体、または手動で設計された多層構造におけるエラーによって導入された交差点から頑健に回復する。
論文 参考訳(メタデータ) (2024-05-15T17:25:59Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - HOSSnet: an Efficient Physics-Guided Neural Network for Simulating Crack
Propagation [4.594946929826274]
本研究では, ひび割れの空間的・時間的変化を正確に再現するための新しいデータ駆動手法を提案する。
我々は, 長期再建における破壊伝播の調整に, 物理的制約を活用している。
提案手法は, 画素単位の再構成誤差と構造的類似性の観点から, 高忠実度破壊データを空間的, 時間的に再構成することができる。
論文 参考訳(メタデータ) (2023-06-14T23:39:37Z) - Near-realtime Facial Animation by Deep 3D Simulation Super-Resolution [7.14576106770047]
本稿では,低コストでリアルタイムな物理シミュレーションによって生み出す顔のパフォーマンスを効率よく,現実的に向上させるニューラルネットワークに基づくシミュレーションフレームワークを提案する。
顔のアニメーションをこのようなシミュレーション領域の例に用いて,2つのシミュレータで同じ筋の運動制御と骨格のポーズを単純にダイヤルすることで,この意味の一致を創り出すことができる。
提案するニューラルネットワーク超解像フレームワークは,このトレーニングセットから未確認表現を一般化し,リアルタイム変種における解像度の制限やコスト削減近似による2つのシミュレーション間の不一致をモデル化するための補償を行うとともに,意味記述子やパラメータを必要としない。
論文 参考訳(メタデータ) (2023-05-05T00:09:24Z) - Generating artificial digital image correlation data using
physics-guided adversarial networks [2.07180164747172]
デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。
実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
論文 参考訳(メタデータ) (2023-03-28T12:52:40Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳(メタデータ) (2023-01-11T18:17:10Z) - DeepMend: Learning Occupancy Functions to Represent Shape for Repair [0.6087960723103347]
DeepMendは、学習された占有機能を使って骨折形状の修復を再構築する新しいアプローチである。
本研究は, フラクチャー形状の占有を, 基礎となる完全形状の占有と破壊面との結合として表現する。
人工および実世界の走査対象物に模擬骨折を施行し, 実破折マグカップを採取した。
論文 参考訳(メタデータ) (2022-10-11T18:42:20Z) - RISP: Rendering-Invariant State Predictor with Differentiable Simulation
and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。
本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。
提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文 参考訳(メタデータ) (2022-05-11T17:59:51Z) - Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion
Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。
提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文 参考訳(メタデータ) (2022-05-03T07:54:39Z) - ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object
Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。
ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。
我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文 参考訳(メタデータ) (2022-03-14T04:56:55Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - On the Real-World Adversarial Robustness of Real-Time Semantic
Segmentation Models for Autonomous Driving [59.33715889581687]
現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。
本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。
画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
論文 参考訳(メタデータ) (2022-01-05T22:33:43Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z)
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。