論文の概要: DEL: Discrete Element Learner for Learning 3D Particle Dynamics with Neural Rendering

• arxiv url: http://arxiv.org/abs/2410.08983v1
• Date: Fri, 11 Oct 2024 16:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 20:46:27.889455
• Title: DEL: Discrete Element Learner for Learning 3D Particle Dynamics with Neural Rendering
• Title（参考訳）: DEL:ニューラルレンダリングによる3次元粒子動力学学習用離散要素学習器
• Authors: Jiaxu Wang, Jingkai Sun, Junhao He, Ziyi Zhang, Qiang Zhang, Mingyuan Sun, Renjing Xu,
• Abstract要約: 逆レンダリングにより2次元画像から3次元ダイナミクスを学習する方法を示す。 学習可能なグラフカーネルを古典的な離散要素分析フレームワークに組み込む。 本手法は, 部分的な2次元観察から, 各種材料の力学を効果的に学習することができる。
• 参考スコア（独自算出の注目度）: 10.456618054473177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based simulators show great potential for simulating particle dynamics when 3D groundtruth is available, but per-particle correspondences are not always accessible. The development of neural rendering presents a new solution to this field to learn 3D dynamics from 2D images by inverse rendering. However, existing approaches still suffer from ill-posed natures resulting from the 2D to 3D uncertainty, for example, specific 2D images can correspond with various 3D particle distributions. To mitigate such uncertainty, we consider a conventional, mechanically interpretable framework as the physical priors and extend it to a learning-based version. In brief, we incorporate the learnable graph kernels into the classic Discrete Element Analysis (DEA) framework to implement a novel mechanics-integrated learning system. In this case, the graph network kernels are only used for approximating some specific mechanical operators in the DEA framework rather than the whole dynamics mapping. By integrating the strong physics priors, our methods can effectively learn the dynamics of various materials from the partial 2D observations in a unified manner. Experiments show that our approach outperforms other learned simulators by a large margin in this context and is robust to different renderers, fewer training samples, and fewer camera views.
• Abstract（参考訳）: 学習ベースシミュレータは、3次元基底が利用可能である場合に粒子動力学をシミュレートする大きな可能性を示すが、粒子間通信は必ずしもアクセスできない。 ニューラルレンダリングの開発は、逆レンダリングにより2次元画像から3次元ダイナミックスを学ぶための新しいソリューションを提供する。 しかし、既存のアプローチはまだ2Dから3Dへの不確実性に起因する不適切な性質に悩まされており、例えば、特定の2D画像は様々な3D粒子分布に対応できる。 このような不確実性を緩和するため、従来の機械的に解釈可能なフレームワークを物理先行として検討し、学習ベースのバージョンに拡張する。 簡単に言えば、学習可能なグラフカーネルを古典的な離散要素解析(DEA)フレームワークに組み込んで、新しい力学統合学習システムを実装する。 この場合、グラフネットワークカーネルは、動的マッピング全体ではなく、DEAフレームワーク内の特定の機械的演算子を近似するためにのみ使用される。 本手法は,強い物理原理を統合することで,部分的な2次元観測から様々な物質の力学を統一的に学習することができる。 実験により、この文脈では、我々のアプローチは他の学習シミュレータよりもはるかに優れており、異なるレンダラー、少ないトレーニングサンプル、少ないカメラビューに対して堅牢であることが示された。

関連論文リスト

• 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)
• PonderV2: Pave the Way for 3D Foundation Model with A Universal Pre-training Paradigm [114.47216525866435]
  本稿では,効率的な3D表現の獲得を容易にするために,新しいユニバーサル3D事前学習フレームワークを提案する。 PonderV2は、11の室内および屋外ベンチマークで最先端のパフォーマンスを達成したことで、その効果が示唆された。
  論文  参考訳（メタデータ） (2023-10-12T17:59:57Z)
• 3D-IntPhys: Towards More Generalized 3D-grounded Visual Intuitive Physics under Challenging Scenes [68.66237114509264]
  複雑なシーンと流体の映像から3次元的な視覚的直感的な物理モデルを学習できるフレームワークを提案する。 本モデルでは,生画像から学習し,明示的な3次元表現空間を用いないモデルよりもはるかに優れた将来予測が可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-22T19:28:49Z)
• Neural Feature Fusion Fields: 3D Distillation of Self-Supervised 2D Image Representations [92.88108411154255]
  本稿では,3次元シーンとして再構成可能な複数画像の解析に後者を適用する際に,高密度な2次元画像特徴抽出器を改善する手法を提案する。 本手法は,手動ラベルを使わずに,シーン固有のニューラルネットワークの文脈における意味理解を可能にするだけでなく,自己監督型2Dベースラインよりも一貫して改善されていることを示す。
  論文  参考訳（メタデータ） (2022-09-07T23:24:09Z)
• 3D Neural Scene Representations for Visuomotor Control [78.79583457239836]
  我々は2次元視覚観測から動的3次元シーンのモデルを純粋に学習する。 学習した表現空間上に構築された動的モデルにより,操作課題に対するビジュモータ制御が可能となる。
  論文  参考訳（メタデータ） (2021-07-08T17:49:37Z)
• Image GANs meet Differentiable Rendering for Inverse Graphics and Interpretable 3D Neural Rendering [101.56891506498755]
  異なるレンダリングによって、ニューラルネットワークをトレーニングして"逆グラフィックス"タスクを実行する方法が舗装された。 提案手法は,既存のデータセットでトレーニングした最先端の逆グラフネットワークを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-18T22:29:07Z)

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。