論文の概要: NnD: Diffusion-based Generation of Physically-Nonnegative Objects
- arxiv url: http://arxiv.org/abs/2506.10112v1
- Date: Wed, 11 Jun 2025 18:51:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.400285
- Title: NnD: Diffusion-based Generation of Physically-Nonnegative Objects
- Title（参考訳）: NnD:物理非負物体の拡散に基づく生成
- Authors: Nadav Torem, Tamar Sde-Chen, Yoav Y. Schechner,
- Abstract要約: この研究は、物理的に意味のある非負のオブジェクトのクラスに焦点をあてる。
計算コストを大幅に削減するため,非負拡散(NnD)を提案する。
NnDは、高品質な物理シミュレーションオブジェクトを訓練する。訓練が完了すれば、生成と推論に使用できる。
- 参考スコア（独自算出の注目度）: 11.574758082877477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most natural objects have inherent complexity and variability. While some simple objects can be modeled from first principles, many real-world phenomena, such as cloud formation, require computationally expensive simulations that limit scalability. This work focuses on a class of physically meaningful, nonnegative objects that are computationally tractable but costly to simulate. To dramatically reduce computational costs, we propose nonnegative diffusion (NnD). This is a learned generative model using score based diffusion. It adapts annealed Langevin dynamics to enforce, by design, non-negativity throughout iterative scene generation and analysis (inference). NnD trains on high-quality physically simulated objects. Once trained, it can be used for generation and inference. We demonstrate generation of 3D volumetric clouds, comprising inherently nonnegative microphysical fields. Our generated clouds are consistent with cloud physics trends. They are effectively not distinguished as non-physical by expert perception.
- Abstract（参考訳）: ほとんどの自然の物体は本質的に複雑さと可変性を持っている。
いくつかの単純なオブジェクトは第一原理からモデル化できるが、クラウド形成のような現実世界の現象の多くは、スケーラビリティを制限する計算コストのかかるシミュレーションを必要とする。
この研究は、物理的に意味のある非負のオブジェクトのクラスに焦点をあてる。
計算コストを大幅に削減するため,非負拡散(NnD)を提案する。
これはスコアベース拡散を用いた学習された生成モデルである。
これは、反復的なシーン生成と分析(推論)を通して、設計によって非負性性(non-negativity)を強制するために、アニールしたランゲヴィンダイナミクスを適用する。
NnDは高品質な物理シミュレーションオブジェクトで訓練する。
一度トレーニングされたら、生成と推論に使用することができる。
自然に非負のマイクロ物理場を含む3次元体積雲の生成を実証する。
生成されたクラウドは、クラウド物理学のトレンドと一致しています。
それらは、専門家の知覚によって事実上非物理的として区別されない。
関連論文リスト
- Physics3D: Learning Physical Properties of 3D Gaussians via Video Diffusion [35.71595369663293]
ビデオ拡散モデルを用いて3Dオブジェクトの様々な物理的特性を学習する新しい手法である textbfPhysics3D を提案する。
本手法では,粘弾性材料モデルに基づく高一般化物理シミュレーションシステムを設計する。
弾性材料とプラスチック材料の両方を用いて, 本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-06-06T17:59:47Z) - DreamPhysics: Learning Physics-Based 3D Dynamics with Video Diffusion Priors [75.83647027123119]
本稿では,映像拡散前の物体の物理的特性を学習することを提案する。
次に,物理に基づくMaterial-Point-Methodシミュレータを用いて,現実的な動きを伴う4Dコンテンツを生成する。
論文 参考訳（メタデータ） (2024-06-03T16:05:25Z) - 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) - MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。
異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。
本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
論文 参考訳（メタデータ） (2023-04-17T13:49:04Z) - PhysGraph: Physics-Based Integration Using Graph Neural Networks [9.016253794897874]
我々は,コンピュータゲーム,バーチャルリアリティ,バーチャルトライオンなど多くの応用がある粗い衣服形状の詳細な拡張に焦点を当てた。
我々の貢献は単純な観察に基づいており、従来のシミュレーション手法では計算コストが比較的安い。
このアイデアが、小さなメッシュパッチの基本的な内部力に基づいてトレーニング可能な、学習可能なモジュールにつながることを実証しています。
論文 参考訳（メタデータ） (2023-01-27T16:47:10Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。
我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。
我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
論文 参考訳（メタデータ） (2020-01-16T06:27:59Z)
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。