論文の概要: ContourCraft: Learning to Resolve Intersections in Neural Multi-Garment Simulations
- arxiv url: http://arxiv.org/abs/2405.09522v2
- Date: Fri, 24 May 2024 11:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 20:07:58.721692
- Title: ContourCraft: Learning to Resolve Intersections in Neural Multi-Garment Simulations
- Title(参考訳): ContourCraft: ニューラルネットワークによるマルチゲージシミュレーションにおけるインターセクションの解決学習
- Authors: Artur Grigorev, Giorgio Becherini, Michael J. Black, Otmar Hilliges, Bernhard Thomaszewski,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 70.38866232749886
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning-based approaches to cloth simulation have started to show their potential in recent years. However, handling collisions and intersections in neural simulations remains a largely unsolved problem. In this work, we present \moniker{}, a learning-based solution for handling intersections in neural cloth simulations. Unlike conventional approaches that critically rely on intersection-free inputs, \moniker{} robustly recovers from intersections introduced through missed collisions, self-penetrating bodies, or errors in manually designed multi-layer outfits. The technical core of \moniker{} is a novel intersection contour loss that penalizes interpenetrations and encourages rapid resolution thereof. We integrate our intersection loss with a collision-avoiding repulsion objective into a neural cloth simulation method based on graph neural networks (GNNs). We demonstrate our method's ability across a challenging set of diverse multi-layer outfits under dynamic human motions. Our extensive analysis indicates that \moniker{} significantly improves collision handling for learned simulation and produces visually compelling results.
- Abstract(参考訳): 近年,布地シミュレーションへの学習的アプローチが,その可能性を示し始めている。
しかし、ニューラルシミュレーションにおける衝突や交差点の扱いは、まだほとんど解決されていない問題である。
本研究では,ニューラルネットワークシミュレーションにおける交点を扱う学習ベースソリューションである \moniker{} を提案する。
交差のない入力に批判的に依存する従来のアプローチとは異なり、 \moniker{} は、衝突、自己貫通体、または手動設計の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。
\moniker{} の技術的な中心は、インターペネレーションを罰し、その迅速な解決を促進する新しい交叉輪郭損失である。
グラフニューラルネットワーク(GNN)に基づくニューラルネットワークシミュレーション手法において,衝突回避の目的と交差損失を統合した。
本研究では,動的人体動作下での多様な多層構造の課題に対して,本手法の能力を実証する。
広範に分析した結果, 学習シミュレーションにおける衝突処理が大幅に向上し, 視覚的に魅力的な結果が得られることがわかった。
関連論文リスト
- SENC: Handling Self-collision in Neural Cloth Simulation [17.848249654104382]
SENCは、布の自己修復の課題に対処する、新しい自己教師型ニューラルネットワークである。
本研究では,ランダムな外力に応答して布の挙動をシミュレーションで学習できる効果的な外力スキームを提案する。
論文 参考訳(メタデータ) (2024-07-17T11:05:31Z) - Multi-Hierarchical Surrogate Learning for Structural Dynamical Crash
Simulations Using Graph Convolutional Neural Networks [5.582881461692378]
カルトフレームの一連のサロゲートモデルを構造的に生成する多階層フレームワークを提案する。
マルチスケール現象では、粗いサロゲート上でマクロスケールの特徴が捉えられ、ミクロスケール効果はより微細なサロゲートによって解決される。
我々は、粗い表現上でパラメータ依存の低次元潜在力学を学習するグラフ畳み込みニューラルネットワークに基づくサロゲートを訓練する。
論文 参考訳(メタデータ) (2024-02-14T15:22:59Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-09-09T04:40:01Z) - BCSSN: Bi-direction Compact Spatial Separable Network for Collision
Avoidance in Autonomous Driving [4.392212820170972]
ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。
ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。
そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
論文 参考訳(メタデータ) (2023-03-12T17:35:57Z) - 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) - Collision-Free Navigation using Evolutionary Symmetrical Neural Networks [0.0]
本稿では、反応衝突回避のための進化的ニューラルネットワークを用いた以前の研究を拡張した。
我々は、対称ニューラルネットワークと呼ばれる新しい手法を提案している。
この手法は,ネットワーク重み間の制約を強制することにより,モデルの性能を向上させる。
論文 参考訳(メタデータ) (2022-03-29T13:02:14Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳(メタデータ) (2021-10-08T04:08:31Z) - RICE: Refining Instance Masks in Cluttered Environments with Graph
Neural Networks [53.15260967235835]
本稿では,インスタンスマスクのグラフベース表現を利用して,そのような手法の出力を改良する新しいフレームワークを提案する。
我々は、セグメンテーションにスマートな摂動をサンプリングできるディープネットワークと、オブジェクト間の関係をエンコード可能なグラフニューラルネットワークを訓練し、セグメンテーションを評価する。
本稿では,本手法によって生成された不確実性推定を用いてマニピュレータを誘導し,乱れたシーンを効率的に理解するアプリケーションについて紹介する。
論文 参考訳(メタデータ) (2021-06-29T20:29:29Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z)
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。