論文の概要: Pb4U-GNet: Resolution-Adaptive Garment Simulation via Propagation-before-Update Graph Network

• arxiv url: http://arxiv.org/abs/2601.15110v1
• Date: Wed, 21 Jan 2026 15:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.432238
• Title: Pb4U-GNet: Resolution-Adaptive Garment Simulation via Propagation-before-Update Graph Network
• Title（参考訳）: Pb4U-GNet: Propagation-before-Update Graph Networkによる分解能適応ガーメントシミュレーション
• Authors: Aoran Liu, Kun Hu, Clinton Ansun Mo, Qiuxia Wu, Wenxiong Kang, Zhiyong Wang,
• Abstract要約: ガーメントシミュレーションは、仮想トライオンからデジタルヒューマンモデリングまで、コンピュータビジョンやグラフィックスの様々な応用に基礎を置いている。 既存のアプローチでは、クロスレゾリューションの一般化が貧弱で、高分解能メッシュ上での大幅な性能劣化を示す。 我々はPb4U-GNetを紹介した。Pb4U-GNetは機能更新からメッセージの伝搬を分離する分解能適応フレームワークである。
• 参考スコア（独自算出の注目度）: 47.339059283454844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Garment simulation is fundamental to various applications in computer vision and graphics, from virtual try-on to digital human modelling. However, conventional physics-based methods remain computationally expensive, hindering their application in time-sensitive scenarios. While graph neural networks (GNNs) offer promising acceleration, existing approaches exhibit poor cross-resolution generalisation, demonstrating significant performance degradation on higher-resolution meshes beyond the training distribution. This stems from two key factors: (1) existing GNNs employ fixed message-passing depth that fails to adapt information aggregation to mesh density variation, and (2) vertex-wise displacement magnitudes are inherently resolution-dependent in garment simulation. To address these issues, we introduce Propagation-before-Update Graph Network (Pb4U-GNet), a resolution-adaptive framework that decouples message propagation from feature updates. Pb4U-GNet incorporates two key mechanisms: (1) dynamic propagation depth control, adjusting message-passing iterations based on mesh resolution, and (2) geometry-aware update scaling, which scales predictions according to local mesh characteristics. Extensive experiments show that even trained solely on low-resolution meshes, Pb4U-GNet exhibits strong generalisability across diverse mesh resolutions, addressing a fundamental challenge in neural garment simulation.
• Abstract（参考訳）: ガーメントシミュレーションは、仮想トライオンからデジタルヒューマンモデリングまで、コンピュータビジョンやグラフィックスの様々な応用に基礎を置いている。 しかし、従来の物理学に基づく手法は計算コストがかかるままであり、時間に敏感なシナリオでの応用を妨げている。 グラフニューラルネットワーク(GNN)は有望な加速を提供するが、既存のアプローチではクロスレゾリューションの一般化が貧弱で、トレーニング分布を超えた高解像度メッシュの性能低下を示す。 これは、(1)既存のGNNでは、情報集約をメッシュ密度の変動に適応させるのに失敗する固定メッセージパス深さを用いており、(2)頂点方向の変位の大きさは、衣料シミュレーションにおいて本質的に分解能に依存している、という2つの要因に由来する。 これらの問題に対処するために、機能更新からメッセージの伝搬を分離する解像度適応フレームワークであるPropagation-before-Update Graph Network (Pb4U-GNet)を紹介する。 Pb4U-GNetは,(1)動的伝搬深度制御,(2)メッシュ解像度に基づくメッセージパッシングイテレーションの調整,および(2)局所メッシュ特性に応じて予測をスケールするジオメトリ対応更新スケーリングの2つの主要なメカニズムを組み込んでいる。 大規模な実験によると、Pb4U-GNetは低解像度メッシュのみにトレーニングされたとしても、さまざまなメッシュ解像度にわたって強力な一般化性を示し、ニューラルネットワークのシミュレーションにおける根本的な課題に対処している。

関連論文リスト

• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Adaptive Graph Rewiring to Mitigate Over-Squashing in Mesh-Based GNNs for Fluid Dynamics Simulations [16.679879462679857]
  グラフニューラルネットワーク(GNN)を用いたメッシュシミュレーションは流体力学をモデル化するための有望なアプローチとして認識されている。 本稿では,AdaMeshNet (Adaptive Graph Rewiring in Mesh-Based Graph Neural Networks) と呼ばれる新しいフレームワークを提案する。 本手法は,最短経路距離と速度差に基づいて,メッシュグラフ内のボトルネックノードのスイッチング遅延スコアを算出する。
  論文  参考訳（メタデータ） (2025-11-16T17:51:37Z)
• UGM2N: An Unsupervised and Generalizable Mesh Movement Network via M-Uniform Loss [17.62415278198884]
  メッシュムーブメント技術はシミュレーション精度と計算効率の両方を向上させる。 既存のアプローチは高い計算複雑性と幾何学的柔軟性に悩まされている。 教師なしおよび一般化可能なメッシュ運動ネットワーク(UGM2N)を提案する。
  論文  参考訳（メタデータ） (2025-08-12T03:56:45Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MultiScale MeshGraphNets [65.26373813797409]
  我々はMeshGraphNetsからフレームワークを改善するための2つの補完的なアプローチを提案する。 まず、より粗いメッシュ上で高解像度システムの正確なサロゲートダイナミクスを学習できることを実証する。 次に、2つの異なる解像度でメッセージを渡す階層的アプローチ(MultiScale MeshGraphNets)を導入する。
  論文  参考訳（メタデータ） (2022-10-02T20:16:20Z)

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。