論文の概要: Transformer-based Neuro-Animator for Qualitative Simulation of Soft Body Movement

• arxiv url: http://arxiv.org/abs/2408.15258v1
• Date: Sat, 10 Aug 2024 04:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 16:42:01.576828
• Title: Transformer-based Neuro-Animator for Qualitative Simulation of Soft Body Movement
• Title（参考訳）: トランスフォーマーを用いたソフトボディ運動の定性的シミュレーションのためのニューロアニメーション
• Authors: Somnuk Phon-Amnuaisuk,
• Abstract要約: 人間の心は、風力の下で揺らぎや手を振っている旗など、物理学の法則によって支配される物体の動きを、力ずくでシミュレートする。 本稿では,ニューロアニメーターモデルとしての最近のトランスフォーマーアーキテクチャの適用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human mind effortlessly simulates the movements of objects governed by the laws of physics, such as a fluttering, or a waving flag under wind force, without understanding the underlying physics. This suggests that human cognition can predict the unfolding of physical events using an intuitive prediction process. This process might result from memory recall, yielding a qualitatively believable mental image, though it may not be exactly according to real-world physics. Drawing inspiration from the intriguing human ability to qualitatively visualize and describe dynamic events from past experiences without explicitly engaging in mathematical computations, this paper investigates the application of recent transformer architectures as a neuro-animator model. The visual transformer model is trained to predict flag motions at the \emph{t+1} time step, given information of previous motions from \emph{t-n} $\cdots$ \emph{t} time steps. The results show that the visual transformer-based architecture successfully learns temporal embedding of flag motions and produces reasonable quality simulations of flag waving under different wind forces.
• Abstract（参考訳）: 人間の心は、基礎となる物理学を理解することなく、フラッターや風力の下で手を振っている旗のような物理学の法則によって支配される物体の動きを熱心にシミュレートする。 これは、人間の認知が直感的な予測プロセスを用いて物理的事象の展開を予測することを示唆している。 この過程は記憶のリコールによって引き起こされ、質的に可能な精神像が得られるが、現実の物理学では正確にはそうではないかもしれない。 数学的計算に明示的に関与することなく過去の経験から動的事象を定性的に可視化し記述する人間の能力から着想を得た上で,近年のトランスフォーマーアーキテクチャを神経アニメーターモデルとして応用することを検討した。 ビジュアルトランスフォーマーモデルは、前回の動きの情報を \emph{t-n} $\cdots$ \emph{t} time step から指定して、 \emph{t+1} time step におけるフラグの動きを予測するために訓練される。 その結果, 視覚変換器をベースとしたアーキテクチャは, フラッグ動作の時間的埋め込みをうまく学習し, 異なる風力下でのフラッグスイングの合理的な品質シミュレーションを実現することができた。

関連論文リスト

• Morph: A Motion-free Physics Optimization Framework for Human Motion Generation [25.51726849102517]
  我々のフレームワークは、身体的可視性を大幅に向上させながら、最先端のモーション生成品質を実現する。 テキスト・トゥ・モーション・アンド・ミュージック・トゥ・ダンス・ジェネレーション・タスクの実験は、我々のフレームワークが最先端のモーション・ジェネレーション・クオリティを達成することを示す。
  論文  参考訳（メタデータ） (2024-11-22T14:09:56Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• X-VoE: Measuring eXplanatory Violation of Expectation in Physical Events [75.94926117990435]
  本研究では,AIエージェントによる直感的な物理の把握を評価するベンチマークデータセットであるX-VoEを紹介する。 X-VoEは直感的な物理モデルの説明能力を高めるためのより高いバーを確立する。 本稿では、物理力学を捉え、隠蔽対象状態を推定する説明に基づく学習システムを提案する。
  論文  参考訳（メタデータ） (2023-08-21T03:28:23Z)
• Modelling Human Visual Motion Processing with Trainable Motion Energy Sensing and a Self-attention Network [1.9458156037869137]
  本稿では,生体とコンピュータの視覚モデルとのギャップを埋めることで,人間の動作知覚のイメージ計算可能なモデルを提案する。 このモデルアーキテクチャは、生体視覚システムにおける運動知覚のコア構造であるV1-MTの計算を捉えることを目的としている。 サイリコ神経生理学では、我々のモデルの単位応答は、運動プーリングやスピードチューニングに関する哺乳類の神経記録に類似していることが明らかになっている。
  論文  参考訳（メタデータ） (2023-05-16T04:16:07Z)
• Neural Cloth Simulation [41.42019559241777]
  本稿では,物理シミュレーションにインスパイアされた教師なしディープラーニングによる衣料アニメーション問題の枠組みを提案する。 現実的な布のダイナミクスを教師なしで学習できる最初の手法を提案する。 また,予測における動きのレベルを制御できることも示している。
  論文  参考訳（メタデータ） (2022-12-13T16:05:59Z)
• Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
  視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。 これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
  論文  参考訳（メタデータ） (2021-10-28T17:59:13Z)
• High-Fidelity Neural Human Motion Transfer from Monocular Video [71.75576402562247]
  ビデオベースの人間のモーション転送は、ソースモーションに従って人間のビデオアニメーションを作成します。 自然なポーズ依存非剛性変形を伴う高忠実で時間的に一貫性のある人の動き伝達を行う新しい枠組みを提案する。 実験結果では,映像リアリズムの点で最先端を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-20T16:54:38Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)
• Cloth in the Wind: A Case Study of Physical Measurement through Simulation [50.31424339972478]
  実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。 この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
  論文  参考訳（メタデータ） (2020-03-09T21:32:23Z)

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。