論文の概要: FNOPT: Resolution-Agnostic, Self-Supervised Cloth Simulation using Meta-Optimization with Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2512.05762v1
• Date: Fri, 05 Dec 2025 14:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.067555
• Title: FNOPT: Resolution-Agnostic, Self-Supervised Cloth Simulation using Meta-Optimization with Fourier Neural Operators
• Title（参考訳）: FNOPT:フーリエニューラル演算子を用いたメタ最適化を用いた分解能非依存・自己スーパービジョン布シミュレーション
• Authors: Ruochen Chen, Thuy Tran, Shaifali Parashar,
• Abstract要約: 本稿では、時間積分を最適化問題として定式化する自己教師型布シミュレーションフレームワークFNOptを提案する。 FNOptは神経オペレーター(FNO)によってパラメータ化される分解能非依存神経を訓練する 物理学に基づく損失を伴う粗いグリッドでのみ訓練されたFNOptは、より微細な解像度、微細なしわ、ロールアウト安定性の維持を一般化する。
• 参考スコア（独自算出の注目度）: 4.103736487425219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FNOpt, a self-supervised cloth simulation framework that formulates time integration as an optimization problem and trains a resolution-agnostic neural optimizer parameterized by a Fourier neural operator (FNO). Prior neural simulators often rely on extensive ground truth data or sacrifice fine-scale detail, and generalize poorly across resolutions and motion patterns. In contrast, FNOpt learns to simulate physically plausible cloth dynamics and achieves stable and accurate rollouts across diverse mesh resolutions and motion patterns without retraining. Trained only on a coarse grid with physics-based losses, FNOpt generalizes to finer resolutions, capturing fine-scale wrinkles and preserving rollout stability. Extensive evaluations on a benchmark cloth simulation dataset demonstrate that FNOpt outperforms prior learning-based approaches in out-of-distribution settings in both accuracy and robustness. These results position FNO-based meta-optimization as a compelling alternative to previous neural simulators for cloth, thus reducing the need for curated data and improving cross-resolution reliability.
• Abstract（参考訳）: FNOptは、時間積分を最適化問題として定式化し、フーリエニューラル演算子(FNO)によってパラメータ化される分解能非依存のニューラルオプティマイザを訓練する自己教師布シミュレーションフレームワークである。 以前のニューラルシミュレータは、しばしば広範囲の真実データに頼るか、細かな詳細を犠牲にし、解像度や動きパターンを多用する。 対照的に、FNOptは物理的に可塑性な布のダイナミクスをシミュレートすることを学び、様々なメッシュ解像度や動きパターンをトレーニングすることなく、安定かつ正確なロールアウトを実現する。 物理学に基づく損失を伴う粗いグリッドでのみ訓練されたFNOptは、より微細な解像度に一般化し、微細なシワを捕獲し、ロールアウト安定性を保った。 ベンチマーク布シミュレーションデータセットの大規模な評価では、FNOptは、アウト・オブ・ディストリビューション・セッティングにおいて、精度とロバスト性の両方において、事前学習に基づくアプローチよりも優れていた。 これらの結果は、FNOベースのメタ最適化を従来のニューラルネットワークの代替品として位置づけ、キュレートされたデータの必要性を低減し、クロスレゾリューションの信頼性を向上させる。

関連論文リスト

• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• NeFT: Negative Feedback Training to Improve Robustness of Compute-In-Memory DNN Accelerators [16.942980574566818]
  ネットワーク全体のマルチスケールノイズ情報をより効果的に捉えるために,Negative Feedback Training (NeFT)を提案する。 NeFTは既存の最先端の手法よりも45.08%向上している。
  論文  参考訳（メタデータ） (2023-05-23T22:56:26Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• 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)
• Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap [15.1962264049463]
  本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-07-12T17:27:11Z)

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。