論文の概要: SENC: Handling Self-collision in Neural Cloth Simulation

• arxiv url: http://arxiv.org/abs/2407.12479v1
• Date: Wed, 17 Jul 2024 11:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 17:27:45.615257
• Title: SENC: Handling Self-collision in Neural Cloth Simulation
• Title（参考訳）: SENC: ニューラルネットワークシミュレーションにおける自己照合処理
• Authors: Zhouyingcheng Liao, Sinan Wang, Taku Komura,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.848249654104382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SENC, a novel self-supervised neural cloth simulator that addresses the challenge of cloth self-collision. This problem has remained unresolved due to the gap in simulation setup between recent collision detection and response approaches and self-supervised neural simulators. The former requires collision-free initial setups, while the latter necessitates random cloth instantiation during training. To tackle this issue, we propose a novel loss based on Global Intersection Analysis (GIA). This loss extracts the volume surrounded by the cloth region that forms the penetration. By constructing an energy based on this volume, our self-supervised neural simulator can effectively address cloth self-collisions. Moreover, we develop a self-collision-aware graph neural network capable of learning to handle self-collisions, even for parts that are topologically distant from one another. Additionally, we introduce an effective external force scheme that enables the simulation to learn the cloth's behavior in response to random external forces. We validate the efficacy of SENC through extensive quantitative and qualitative experiments, demonstrating that it effectively reduces cloth self-collision while maintaining high-quality animation results.
• Abstract（参考訳）: 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シミュレータSENCを提案する。 この問題は、最近の衝突検出と応答アプローチと自己教師型ニューラルシミュレータのシミュレーション設定の欠如により未解決のままである。 前者は衝突のない初期設定を必要とし、後者はトレーニング中にランダムな布のインスタンス化を必要とする。 この問題に対処するために,Global Intersection Analysis (GIA) に基づく新たな損失を提案する。 この損失は、貫通を形成する布領域に囲まれた体積を抽出する。 この体積に基づいてエネルギーを構築することにより、我々の自己教師型ニューラルネットワークは布の自己複製を効果的に処理できる。 さらに,位相的に離れた部分であっても,自己照合を学習可能な自己照合対応グラフニューラルネットワークを開発した。 さらに,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。 我々は,SENCの有効性を定量的および定性的実験により検証し,高品質なアニメーション結果を維持しつつ,布の自己調整を効果的に低減できることを実証した。

関連論文リスト

• 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)
• A Neuromorphic Approach to Obstacle Avoidance in Robot Manipulation [16.696524554516294]
  カメラ搭載マニピュレータにおける障害物回避のためのニューロモルフィックアプローチを開発する。 提案手法は, 畳み込みSNNでエミュレートされたイベントデータを処理し, 反応操作による高次軌道計画に適応する。 本研究は,SNN学習の導入,ニューロモルフィックプロセッサの利用,およびニューロモルフィック手法の可能性を探るものである。
  論文  参考訳（メタデータ） (2024-04-08T20:42:10Z)
• A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
  本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。 このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
  論文  参考訳（メタデータ） (2024-03-19T15:21:00Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• 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)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• A Repulsive Force Unit for Garment Collision Handling in Neural Networks [61.34646212450137]
  本稿では,Repulsive Force Unit (ReFU) と呼ばれる新しいニューラルネットワーク層を提案する。 基底体の符号付き距離関数(SDF)に基づいて、ReFUは、微妙な幾何学的詳細を保存しながら、衝突のない構成に相互接続する頂点ごとのオフセットを予測する。 実験の結果,ReFUは身体と衣服の衝突回数を大幅に減らし,従来法に比べて幾何的細部をよく保存することがわかった。
  論文  参考訳（メタデータ） (2022-07-28T03:46:16Z)
• SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection for Autonomous Driving [0.0]
  Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。 まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
  論文  参考訳（メタデータ） (2022-06-06T20:05:17Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。