論文の概要: Object-centric Denoising Diffusion Models for Physical Reasoning

• arxiv url: http://arxiv.org/abs/2507.04920v1
• Date: Mon, 07 Jul 2025 12:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.410506
• Title: Object-centric Denoising Diffusion Models for Physical Reasoning
• Title（参考訳）: 物理推論のための物体中心のデノジング拡散モデル
• Authors: Moritz Lange, Raphael C. Engelhardt, Wolfgang Konen, Andrew Melnik, Laurenz Wiskott,
• Abstract要約: 相互作用するオブジェクトの軌道に関する推論は、機械学習における物理的推論タスクに不可欠である。 本稿では, 時間とともに変質する物理推論のためのオブジェクト中心の微分拡散モデルアーキテクチャを提案する。 このモデルが複数の条件でタスクを解く方法を示し、オブジェクト数を変更する際の性能について検討する。
• 参考スコア（独自算出の注目度）: 0.14348906950833226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning about the trajectories of multiple, interacting objects is integral to physical reasoning tasks in machine learning. This involves conditions imposed on the objects at different time steps, for instance initial states or desired goal states. Existing approaches in physical reasoning generally rely on autoregressive modeling, which can only be conditioned on initial states, but not on later states. In fields such as planning for reinforcement learning, similar challenges are being addressed with denoising diffusion models. In this work, we propose an object-centric denoising diffusion model architecture for physical reasoning that is translation equivariant over time, permutation equivariant over objects, and can be conditioned on arbitrary time steps for arbitrary objects. We demonstrate how this model can solve tasks with multiple conditions and examine its performance when changing object numbers and trajectory lengths during inference.
• Abstract（参考訳）: 複数の対話オブジェクトの軌道に関する推論は、機械学習における物理的推論タスクに不可欠である。 これは、例えば初期状態や望ましいゴール状態など、異なる時間ステップでオブジェクトに課される条件を含む。 物理推論における既存のアプローチは一般に自己回帰モデリングに依存しており、これは初期状態にのみ適用できるが、後の状態には適用されない。 強化学習の計画のような分野では、拡散モデルに類似した課題が解決されている。 そこで本研究では,オブジェクトに対する変換等式,置換等式,任意のオブジェクトに対する任意の時間ステップで条件付け可能な,物理推論のためのオブジェクト中心の微分拡散モデルアーキテクチャを提案する。 提案モデルでは,複数の条件でタスクを解く方法を示し,オブジェクト数や軌道長を変化させる際の性能について検討する。

関連論文リスト

• EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator [6.056458618771203]
  EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T06:49:58Z)
• Generative Perception of Shape and Material from Differential Motion [17.090405682103167]
  本稿では,物体の映像から形状・材料図を生成する条件付き拡散モデルを提案する。 本研究は、身体的身体的システムにおける視覚的推論を改善するための生成的知覚アプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-03T05:43:20Z)
• Object-centric architectures enable efficient causal representation learning [51.6196391784561]
  観測対象が複数の物体である場合, 生成関数はもはや注入的ではなく, 実際に乱れは生じないことを示す。 スパース摂動からの弱い監督を利用して各オブジェクトのプロパティを乱すオブジェクト中心アーキテクチャを開発する。 このアプローチはユークリッド空間にエンコードする同等のアプローチよりもはるかに少ない摂動を必要とするという意味で、よりデータ効率が高い。
  論文  参考訳（メタデータ） (2023-10-29T16:01:03Z)
• 6-DoF Stability Field via Diffusion Models [9.631625582146537]
  本研究では,シーンの安定な構成を生成するオブジェクトの3次元ポーズを生成可能な生成モデルである6-DoFusionを提案する。 異なるオブジェクト配置と積み重ねタスクでモデルを評価し、安定したシーンを構築する能力を示す。
  論文  参考訳（メタデータ） (2023-10-26T17:59:12Z)
• Neural Lumped Parameter Differential Equations with Application in Friction-Stir Processing [2.158307833088858]
  Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。 一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
  論文  参考訳（メタデータ） (2023-04-18T15:11:27Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• 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)

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。