論文の概要: PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping

• arxiv url: http://arxiv.org/abs/2602.08020v1
• Date: Sun, 08 Feb 2026 15:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.932352
• Title: PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping
• Title（参考訳）: PhysDrape: 物理的に現実的なガーメントドレイピングのための明示力と衝突制約の学習
• Authors: Minghai Chen, Mingyuan Liu, Yuxiang Huan,
• Abstract要約: 伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。 本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。 この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
• 参考スコア（独自算出の注目度）: 4.854753036255255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based garment draping has emerged as a promising alternative to traditional Physics-Based Simulation (PBS), yet robust collision handling remains a critical bottleneck. Most existing methods enforce physical validity through soft penalties, creating an intrinsic trade-off between geometric feasibility and physical plausibility: penalizing collisions often distorts mesh structure, while preserving shape leads to interpenetration. To resolve this conflict, we present PhysDrape, a hybrid neural-physical solver for physically realistic garment draping driven by explicit forces and constraints. Unlike soft-constrained frameworks, PhysDrape integrates neural inference with explicit geometric solvers in a fully differentiable pipeline. Specifically, we propose a Physics-Informed Graph Neural Network conditioned on a physics-enriched graph -- encoding material parameters and body proximity -- to predict residual displacements. Crucially, we integrate a differentiable two-stage solver: first, a learnable Force Solver iteratively resolves unbalanced forces derived from the Saint Venant-Kirchhoff (StVK) model to ensure quasi-static equilibrium; second, a Differentiable Projection strictly enforces collision constraints against the body surface. This differentiable design guarantees physical validity through explicit constraints, while enabling end-to-end learning to optimize the network for physically consistent predictions. Extensive experiments demonstrate that PhysDrape achieves state-of-the-art performance, ensuring negligible interpenetration with significantly lower strain energy compared to existing baselines, achieving superior physical fidelity and robustness in real-time.
• Abstract（参考訳）: 深層学習に基づく衣服のドレーピングは、従来の物理ベースのシミュレーション(PBS)に代わる有望な代替手段として登場したが、堅牢な衝突処理は依然として重要なボトルネックである。 既存のほとんどの手法では、柔らかいペナルティによって物理的な妥当性を強制し、幾何学的実現可能性と物理的可視性の間に本質的なトレードオフを生み出している。 この対立を解決するために、明示的な力と制約によって引き起こされる物理的に現実的な衣服のドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeを提案する。 ソフト制約フレームワークとは異なり、PhysDrapeは神経推論と明示的な幾何学的解法を完全に微分可能なパイプラインに統合する。 具体的には,物質パラメータと体近傍を符号化した物理富化グラフを用いた物理インフォームドグラフニューラルネットワークを提案し,残差の予測を行う。 第1に、学習可能なフォースソルバーは、StVKモデルから導かれる不均衡な力を反復的に解決し、準静的平衡を確保する。 この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。 広汎な実験により、PhysDrapeは最先端の性能を達成し、既存のベースラインに比べて非常に低いひずみエネルギーで無視可能な相互通電を保証し、リアルタイムに優れた物理的忠実性とロバスト性を達成できることを示した。

関連論文リスト

• Conditional Denoising Model as a Physical Surrogate Model [1.0616273526777913]
  物理多様体自体の幾何学を学ぶために設計された生成モデルを導入する。 ネットワークにノイズの多い状態からクリーンな状態を復元するように訓練することで、モデルは有効な解部分空間へ連続的に向けられるベクトル場を学習する。
  論文  参考訳（メタデータ） (2026-01-28T20:32:20Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• NeuralOGCM: Differentiable Ocean Modeling with Learnable Physics [38.88216084180426]
  深層学習に微分可能プログラミングを融合させる海洋モデリングフレームワークであるNeuralOGCMを提案する。 学習可能な物理統合は、大規模で決定論的物理進化を捉え、鍵となる物理パラメータを学習可能なパラメータに変換する。 ディープニューラルネットワークは、物理モデルが捉えないサブグリッドスケールのプロセスと離散化エラーの修正を学習する。 実験により、NeuralOGCMは長期的な安定性と物理的整合性を維持しており、従来の数値モデルよりも高速で、純粋なAIベースラインよりも精度が高いことが示されている。
  論文  参考訳（メタデータ） (2025-12-12T12:53:46Z)
• Enhancing Physical Plausibility in Video Generation by Reasoning the Implausibility [37.011366226968]
  拡散モデルはリアルなビデオを生成することができるが、既存の方法は大規模テキストビデオデータセットから暗黙的に物理的推論を学ぶことに依存している。 本研究では,推論時の身体的可視性を改善するためのトレーニングフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-29T12:32:54Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)

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。