論文の概要: PIE-NeRF: Physics-based Interactive Elastodynamics with NeRF
- arxiv url: http://arxiv.org/abs/2311.13099v1
- Date: Wed, 22 Nov 2023 01:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 16:32:27.383401
- Title: PIE-NeRF: Physics-based Interactive Elastodynamics with NeRF
- Title(参考訳): PIE-NeRF:NeRFを用いた物理に基づくインタラクティブエラストダイナミックス
- Authors: Yutao Feng, Yintong Shang, Xuan Li, Tianjia Shao, Chenfanfu Jiang, Yin
Yang
- Abstract要約: 物理シミュレーションをNeRFとシームレスに統合することで,現実世界の物体の高品質なエラストダイナミックスを生成できることを示す。
2次一般化移動最小二乗(Q-GMLS)を用いて、非線型力学と暗黙モデル上の大きな変形を捉える。
我々は、非線形シミュレーションの複雑さを著しく低減するために、最小二乗核をNeRF密度場に従って適応的に配置する。
- 参考スコア(独自算出の注目度): 31.401805556438557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We show that physics-based simulations can be seamlessly integrated with NeRF
to generate high-quality elastodynamics of real-world objects. Unlike existing
methods, we discretize nonlinear hyperelasticity in a meshless way, obviating
the necessity for intermediate auxiliary shape proxies like a tetrahedral mesh
or voxel grid. A quadratic generalized moving least square (Q-GMLS) is employed
to capture nonlinear dynamics and large deformation on the implicit model. Such
meshless integration enables versatile simulations of complex and codimensional
shapes. We adaptively place the least-square kernels according to the NeRF
density field to significantly reduce the complexity of the nonlinear
simulation. As a result, physically realistic animations can be conveniently
synthesized using our method for a wide range of hyperelastic materials at an
interactive rate. For more information, please visit our project page at
https://fytalon.github.io/pienerf/.
- Abstract(参考訳): 物理シミュレーションをNeRFとシームレスに統合することで,現実世界の物体の高品質なエラストダイナミックスを生成できることを示す。
既存の方法とは異なり、非線形超弾性をメッシュレスで判別し、四面体メッシュやボクセルグリッドのような中間補助形状プロキシの必要性を回避している。
2次一般化移動最小二乗(Q-GMLS)を用いて非線形ダイナミクスと暗黙モデル上の大きな変形を捉える。
このようなメッシュレス積分は、複素および共次元形状の汎用的なシミュレーションを可能にする。
非線形シミュレーションの複雑さを著しく低減するために,nrf密度場に従って最小二乗カーネルを適応的に配置する。
その結果、インタラクティブな速度で多種多様な超弾性材料に対して、物理的に現実的なアニメーションを簡便に合成できる。
詳細については、https://fytalon.github.io/pienerf/のプロジェクトページをご覧ください。
関連論文リスト
- Dynamic Mesh-Aware Radiance Fields [75.59025151369308]
本稿では,メッシュとNeRFの双方向結合をレンダリングおよびシミュレーション時に設計する。
ハイブリッドシステムはメッシュ挿入のための視覚リアリズムの代替よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-09-08T20:18:18Z) - NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
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。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Learning rigid dynamics with face interaction graph networks [11.029321427540829]
我々は、ノードではなくメッシュフェイス間のインタラクションを演算するFace Interaction Graph Network (FIGNet)を紹介した。
FIGNetは複雑な形状の相互作用をシミュレートする上で約4倍正確であり、スパースで剛性のあるメッシュでは8倍計算効率が高い。
実世界のデータから直接摩擦力学を学習でき、微妙なトレーニングデータを与える解析的解法よりも正確である。
論文 参考訳(メタデータ) (2022-12-07T11:22:42Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳(メタデータ) (2022-07-22T03:45:29Z) - Analytically Integratable Zero-restlength Springs for Capturing Dynamic
Modes unrepresented by Quasistatic Neural Networks [6.601755525003559]
本稿では,ニューラルネットワークを用いて,ある種の動的シミュレーションをリアルタイムにモデル化するための新しいパラダイムを提案する。
準静的ニューラルネットワーク(QNN)の推論を(リアルタイム)動的シミュレーション層で拡張する。
本研究では, 驚くほど少量の動的シミュレーションデータから, スプリングパラメータを頑健に学習できることを実証した。
論文 参考訳(メタデータ) (2022-01-25T06:44:15Z) - Automatically Polyconvex Strain Energy Functions using Neural Ordinary
Differential Equations [0.0]
深層ニューラルネットワークは、フォーム近似の制約なしに複雑な物質を学習することができる。
N-ODE材料モデルは、クローズドフォーム材料モデルから生成された合成データをキャプチャすることができる。
フレームワークは、大きな種類の材料をモデル化するのに使用できます。
論文 参考訳(メタデータ) (2021-10-03T13:11:43Z) - High-order Differentiable Autoencoder for Nonlinear Model Reduction [29.296661974901976]
本稿では,深層ニューラルネットワークを活用した物理シミュレーション手法を提案する。
古典ラグランジアン力学と深いオートエンコーダを統合し,変形可能な固体の弾性シミュレーションを高速化する。
論文 参考訳(メタデータ) (2021-02-19T02:30:14Z) - Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows [79.39092757515395]
ニューラルメッシュフロー (NMF) を用いて, 種数0の2次元メッシュを生成する。
NMFは数個のニューラル正規微分方程式(NODE)ブロックからなる形状自動エンコーダで、球面メッシュを段階的に変形させることで正確なメッシュ形状を学習する。
実験の結果,NMFは単一視点メッシュ再構成,大域的な形状パラメータ化,テクスチャマッピング,形状変形,対応性など,いくつかの応用に役立つことがわかった。
論文 参考訳(メタデータ) (2020-07-21T17:45:41Z)
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。