論文の概要: PIE-NeRF: Physics-based Interactive Elastodynamics with NeRF

• arxiv url: http://arxiv.org/abs/2311.13099v2
• Date: Wed, 27 Mar 2024 23:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 21:22:07.766043
• 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）: 29.6350855891474
• 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。 従来の方法とは異なり、非線型超弾性をメッシュのない方法で識別し、四面体メッシュやボクセルグリッドのような中間補助的な形状プロキシの必要性を排除している。 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。 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。 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。 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,物理的にリアルなアニメーションを簡便に合成できることがわかった。 詳細については、プロジェクトページ(https://fytalon.github.io/pienerf/)を参照してください。

関連論文リスト

• Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains [19.755626638375904]
  進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。 重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。 提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
  論文  参考訳（メタデータ） (2024-10-12T07:49:23Z)
• Simplicits: Mesh-Free, Geometry-Agnostic, Elastic Simulation [18.45850302604534]
  幾何表現の任意の対象に対して弾性シミュレーションを行うための,データ,メッシュ,グリッドフリーのソリューションを提案する。 各オブジェクトに対して、変形ベースとして作用する様々な重みを符号化する小さな暗黙のニューラルネットワークを適合させる。 実験では, 距離関数, 点雲, ニューラルプリミティブ, トモグラフィースキャン, 放射場, ガウススプラット, 表面メッシュ, 体積メッシュなどのデータに対して, このアプローチの汎用性, 精度, 速度を実証した。
  論文  参考訳（メタデータ） (2024-06-09T18:57:23Z)
• ElastoGen: 4D Generative Elastodynamics [59.20029207991106]
  ElastoGenは知識駆動型AIモデルで、物理的に正確な4Dエラストダイナミックスを生成する。 ElastoGenは実際の物理的手順と整合しているため、幅広い超弾性材料の正確な力学を効率的に生成する。
  論文  参考訳（メタデータ） (2024-05-23T21:09:36Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• 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 Thin Shell Theory [70.10550467873499]
  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。
  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)
• 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)

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。