論文の概要: GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects

• arxiv url: http://arxiv.org/abs/2412.17804v2
• Date: Mon, 10 Mar 2025 17:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 16:15:12.096005
• Title: GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects
• Title（参考訳）: GausSim: 弾性物体のガウスシミュレータによる現実の予測
• Authors: Yidi Shao, Mu Huang, Chen Change Loy, Bo Dai,
• Abstract要約: GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
• 参考スコア（独自算出の注目度）: 55.02281855589641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce GausSim, a novel neural network-based simulator designed to capture the dynamic behaviors of real-world elastic objects represented through Gaussian kernels. We leverage continuum mechanics and treat each kernel as a Center of Mass System (CMS) that represents continuous piece of matter, accounting for realistic deformations without idealized assumptions. To improve computational efficiency and fidelity, we employ a hierarchical structure that further organizes kernels into CMSs with explicit formulations, enabling a coarse-to-fine simulation approach. This structure significantly reduces computational overhead while preserving detailed dynamics. In addition, GausSim incorporates explicit physics constraints, such as mass and momentum conservation, ensuring interpretable results and robust, physically plausible simulations. To validate our approach, we present a new dataset, READY, containing multi-view videos of real-world elastic deformations. Experimental results demonstrate that GausSim achieves superior performance compared to existing physics-driven baselines, offering a practical and accurate solution for simulating complex dynamic behaviors. Code and model will be released. Project page: https://www.mmlab-ntu.com/project/gausim/index.html .
• Abstract（参考訳）: 我々は,ガウスカーネルを通して表現される実世界の弾性物体の動的挙動を捉えるために設計された,ニューラルネットワークに基づく新しいシミュレータであるGausSimを紹介する。 我々は連続体力学を活用し、各カーネルを、理想化された仮定なしで現実的な変形を考慮し、連続体を表すCMS(Center of Mass System)として扱う。 計算効率と忠実度を向上させるために,カーネルを明示的な定式化でCMSに整理し,粗大なシミュレーションアプローチを可能にする階層構造を用いる。 この構造は、詳細な力学を保ちながら計算オーバーヘッドを大幅に削減する。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。 提案手法を検証するために,実世界の弾性変形のマルチビュー映像を含む新しいデータセットREADYを提案する。 実験により,ガウスシムは既存の物理駆動ベースラインよりも優れた性能を示し,複雑な動的挙動をシミュレートするための実用的で正確な解を提供する。 コードとモデルがリリースされる。 プロジェクトページ: https://www.mmlab-ntu.com/project/gausim/index.html

関連論文リスト

• MIXPINN: Mixed-Material Simulations by Physics-Informed Neural Network [1.275845610262865]
  従来の有限要素法(FEM)に基づくシミュレーションは計算コストが高く、リアルタイムシナリオでは実用的ではない。 混合材料シミュレーションのための物理インフォームドグラフニューラルネットワーク(GNN)フレームワークMIXPINNを紹介する。 バイオメカニカル構造のグラフベース表現を活用することで、MIXPINNはFEM生成データから高忠実度変形を学習し、サブミリ秒精度でリアルタイムな推論を実現する。
  論文  参考訳（メタデータ） (2025-03-17T12:48:29Z)
• Realistic Surgical Simulation from Monocular Videos [49.114370617718244]
  本稿では,手軽な手術映像からリアルな手術シミュレーションを自動実行することの課題に対処する。 本稿では,これらの制約を克服する新しい自動シミュレーションシステムであるSurgiSimを提案する。 様々な手術シナリオと相互作用の実験は、SurgiSimが軟組織の現実的なシミュレーションを行う能力を示している。
  論文  参考訳（メタデータ） (2024-12-03T10:32:41Z)
• Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
  Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。 人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。 また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
  論文  参考訳（メタデータ） (2024-11-19T12:52:21Z)
• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• 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)
• Exponential improvements in the simulation of lattice gauge theories using near-optimal techniques [0.0]
  我々は、アベリア格子ゲージ理論と非アベリア格子ゲージ理論をシミュレートするコストを詳細に分析する。 シミュレーション全体に対して、明示的な回路構成とTゲート数およびキュービット数を提供する。
  論文  参考訳（メタデータ） (2024-05-16T19:36:49Z)
• 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)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  HelmFluidは流体の正確かつ解釈可能な予測器である。 ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• 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)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Inferring Articulated Rigid Body Dynamics from RGBD Video [18.154013621342266]
  我々は,逆レンダリングと微分可能なシミュレーションを組み合わせるパイプラインを導入し,実世界の調音機構のディジタルツインを作成する。 本手法はロボットが操作する関節機構のキネマティックツリーを正確に再構築する。
  論文  参考訳（メタデータ） (2022-03-20T08:19:02Z)
• Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
  グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。 その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T13:34:49Z)

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。