論文の概要: Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains
- arxiv url: http://arxiv.org/abs/2410.09417v1
- Date: Sat, 12 Oct 2024 07:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 14:24:23.511761
- Title: Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains
- Title(参考訳): 進化領域における微分弾性のためのニューラルネットワーク統合有限要素
- Authors: Gilles Daviet, Tianchang Shen, Nicholas Sharp, David I. W. Levin,
- Abstract要約: 進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。
重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。
提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
- 参考スコア(独自算出の注目度): 19.755626638375904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an elastic simulator for domains defined as evolving implicit functions, which is efficient, robust, and differentiable with respect to both shape and material. This simulator is motivated by applications in 3D reconstruction: it is increasingly effective to recover geometry from observed images as implicit functions, but physical applications require accurately simulating and optimizing-for the behavior of such shapes under deformation, which has remained challenging. Our key technical innovation is to train a small neural network to fit quadrature points for robust numerical integration on implicit grid cells. When coupled with a Mixed Finite Element formulation, this yields a smooth, fully differentiable simulation model connecting the evolution of the underlying implicit surface to its elastic response. We demonstrate the efficacy of our approach on forward simulation of implicits, direct simulation of 3D shapes during editing, and novel physics-based shape and topology optimizations in conjunction with differentiable rendering.
- Abstract(参考訳): 本稿では,進化的暗黙関数として定義された領域に対する弾性シミュレータについて述べる。
このシミュレータは、3次元再構成の応用によって動機付けられており、観察された画像から暗黙の関数として幾何を復元することはますます効果的である。
私たちの重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次的な点に適合するように、小さなニューラルネットワークをトレーニングすることです。
混合有限要素の定式化と組み合わせると、基礎となる暗示面の進化とその弾性応答を繋ぐ滑らかで完全に微分可能なシミュレーションモデルが得られる。
提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
関連論文リスト
- GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
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,我々は新しいハイブリッドフレームワークを提案する。
本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。
抽出され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する。
論文 参考訳(メタデータ) (2024-06-21T07:37:17Z) - 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) - Physically Compatible 3D Object Modeling from a Single Image [109.98124149566927]
単一画像を3次元物理オブジェクトに変換するフレームワークを提案する。
我々のフレームワークは、リコンストラクションプロセスに物理的な互換性を組み込む。
既存の手法よりも3Dモデルの物理的リアリズムを一貫して強化する。
論文 参考訳(メタデータ) (2024-05-30T21:59:29Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳(メタデータ) (2024-04-25T15:06:58Z) - PIE-NeRF: Physics-based Interactive Elastodynamics with NeRF [29.6350855891474]
物理シミュレーションをNeRFとシームレスに統合することで,現実世界の物体の高品質なエラストダイナミックスを生成できることを示す。
2次一般化移動最小二乗(Q-GMLS)を用いて、非線型力学と暗黙モデル上の大きな変形を捉える。
我々は、非線形シミュレーションの複雑さを著しく低減するために、最小二乗核をNeRF密度場に従って適応的に配置する。
論文 参考訳(メタデータ) (2023-11-22T01:58:26Z) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳(メタデータ) (2023-08-10T06:40:19Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T23:35:03Z) - Dynamic Point Fields [30.029872787758705]
本稿では,明示的な点ベースグラフィックスの表現的利点と暗黙的な変形ネットワークを組み合わせた動的点場モデルを提案する。
我々は,その表現力,学習効率,および配布外小説のポーズに対する堅牢性の観点から,我々の動的点場フレームワークの利点を示す。
論文 参考訳(メタデータ) (2023-04-05T17:52:37Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T17:59:57Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z)
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。