論文の概要: Gaussian-Informed Continuum for Physical Property Identification and Simulation
- arxiv url: http://arxiv.org/abs/2406.14927v1
- Date: Fri, 21 Jun 2024 07:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 14:23:19.119643
- Title: Gaussian-Informed Continuum for Physical Property Identification and Simulation
- Title(参考訳): 物性同定とシミュレーションのためのガウスインフォームド連続体
- Authors: Junhao Cai, Yuji Yang, Weihao Yuan, Yisheng He, Zilong Dong, Liefeng Bo, Hui Cheng, Qifeng Chen,
- Abstract要約: 本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。
本稿では,3次元ガウス表現を活用して明示的な形状を捉え,学習中に暗黙的な形状を推定する新しいハイブリッドフレームワークを提案する。
私たちのパイプラインは、複数のベンチマークとメトリクスで最先端のパフォーマンスを実現しています。
- 参考スコア(独自算出の注目度): 60.33467489955188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies the problem of estimating physical properties (system identification) through visual observations. To facilitate geometry-aware guidance in physical property estimation, we introduce a novel hybrid framework that leverages 3D Gaussian representation to not only capture explicit shapes but also enable the simulated continuum to deduce implicit shapes during training. We propose a new dynamic 3D Gaussian framework based on motion factorization to recover the object as 3D Gaussian point sets across different time states. Furthermore, we develop a coarse-to-fine filling strategy to generate the density fields of the object from the Gaussian reconstruction, allowing for the extraction of object continuums along with their surfaces and the integration of Gaussian attributes into these continuums. In addition to the extracted object surfaces, the Gaussian-informed continuum also enables the rendering of object masks during simulations, serving as implicit shape guidance for physical property estimation. Extensive experimental evaluations demonstrate that our pipeline achieves state-of-the-art performance across multiple benchmarks and metrics. Additionally, we illustrate the effectiveness of the proposed method through real-world demonstrations, showcasing its practical utility. Our project page is at https://jukgei.github.io/project/gic.
- Abstract(参考訳): 本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。
物理特性推定における幾何学的ガイダンスを容易にするために,3次元ガウス表現を利用した新しいハイブリッドフレームワークを導入する。
運動因子化に基づく新しい動的3次元ガウスの枠組みを提案し、異なる時間状態における3次元ガウス点集合としてオブジェクトを復元する。
さらに,ガウス的再構成から物体の密度場を生成するための粗大で微細な充填戦略を開発し,対象の連続体とその表面を抽出し,ガウス的属性をこれらの連続体に統合する。
抽出した物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にし、物理的特性推定のための暗黙の形状ガイダンスとして機能する。
大規模な実験的評価は、パイプラインが複数のベンチマークとメトリクスで最先端のパフォーマンスを達成することを示している。
さらに,実世界の実演を通して提案手法の有効性を説明し,実用性を示す。
私たちのプロジェクトページはhttps://jukgei.github.io/project/gic.comです。
関連論文リスト
- 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) - Reconstructing and Simulating Dynamic 3D Objects with Mesh-adsorbed Gaussian Splatting [26.382349137191547]
本稿では,このようなジレンマを解決するために,メッシュ吸着型ガウス平滑化法(MaGS)を提案する。
MaGSは3Dガウスをメッシュ表面にホバリングすることを制約し、相互に吸着したメッシュ-ガウスの3D表現を生成する。
メッシュ、3Dガウス、RDFを共同最適化することで、MaGSは高いレンダリング精度とリアルな変形を実現する。
論文 参考訳(メタデータ) (2024-06-03T17:59:51Z) - GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction [70.65250036489128]
3Dのセマンティック占有予測は,周囲のシーンの3Dの微細な形状とセマンティックスを得ることを目的としている。
本稿では,3Dシーンを3Dセマンティック・ガウシアンで表現するオブジェクト中心表現を提案する。
GaussianFormerは17.8%から24.8%のメモリ消費しか持たない最先端のメソッドで同等のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2024-05-27T17:59:51Z) - Reconstruction and Simulation of Elastic Objects with Spring-Mass 3D Gaussians [23.572267290979045]
Spring-Gausは、複数の視点からオブジェクトのビデオから弾性オブジェクトを再構成し、シミュレーションするための3D物理オブジェクト表現である。
本研究では,3次元Spring-Massモデルを3次元ガウスカーネルに実装し,オブジェクトの視覚的外観,形状,物理力学の再構築を可能にする。
合成と実世界の両方のデータセット上でSpring-Gausを評価し,弾性物体の正確な再構成とシミュレーションを実証した。
論文 参考訳(メタデータ) (2024-03-14T14:25:10Z) - Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。
我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。
提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
論文 参考訳(メタデータ) (2024-02-07T12:36:54Z) - GIR: 3D Gaussian Inverse Rendering for Relightable Scene Factorization [76.52007427483396]
GIRは3次元ガウス逆レンダリング法である。
本手法は,多視点画像から物体の材料特性,照明,形状を推定するために3次元ガウス法を用いる。
論文 参考訳(メタデータ) (2023-12-08T16:05:15Z) - Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。
我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。
我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
論文 参考訳(メタデータ) (2021-11-18T05:30:35Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z)
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。