論文の概要: Neural Electromagnetic Fields for High-Resolution Material Parameter Reconstruction

• arxiv url: http://arxiv.org/abs/2603.02582v1
• Date: Tue, 03 Mar 2026 03:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.632507
• Title: Neural Electromagnetic Fields for High-Resolution Material Parameter Reconstruction
• Title（参考訳）: 高分解能材料パラメータ再構成のためのニューラルネットワーク
• Authors: Zhe Chen, Peilin Zheng, Wenshuo Chen, Xiucheng Wang, Yutao Yue, Nan Cheng,
• Abstract要約: 現在のNeRFのような方法は、視覚的に豊かだが機能的に不完全な双生児を生み出す。 NEMFは高密度で非侵襲的な物理インバージョンのための新しいフレームワークである。 非侵襲的なデータのみを用いて幾何学とフィールドの両方を制約することにより、元々の不正な問題から、しっかりとした物理を監督した学習タスクへと変換される。
• 参考スコア（独自算出の注目度）: 23.940210176409405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creating functional Digital Twins, simulatable 3D replicas of the real world, is a central challenge in computer vision. Current methods like NeRF produce visually rich but functionally incomplete twins. The key barrier is the lack of underlying material properties (e.g., permittivity, conductivity). Acquiring this information for every point in a scene via non-contact, non-invasive sensing is a primary goal, but it demands solving a notoriously ill-posed physical inversion problem. Standard remote signals, like images and radio frequencies (RF), deeply entangle the unknown geometry, ambient field, and target materials. We introduce NEMF, a novel framework for dense, non-invasive physical inversion designed to build functional digital twins. Our key insight is a systematic disentanglement strategy. NEMF leverages high-fidelity geometry from images as a powerful anchor, which first enables the resolution of the ambient field. By constraining both geometry and field using only non-invasive data, the original ill-posed problem transforms into a well-posed, physics-supervised learning task. This transformation unlocks our core inversion module: a decoder. Guided by ambient RF signals and a differentiable layer incorporating physical reflection models, it learns to explicitly output a continuous, spatially-varying field of the scene's underlying material parameters. We validate our framework on high-fidelity synthetic datasets. Experiments show our non-invasive inversion reconstructs these material maps with high accuracy, and the resulting functional twin enables high-fidelity physical simulation. This advance moves beyond passive visual replicas, enabling the creation of truly functional and simulatable models of the physical world.
• Abstract（参考訳）: 現実世界のシミュレーション可能な3DレプリカであるDigital Twinsを作成することは、コンピュータビジョンにおける中心的な課題である。 現在のNeRFのような方法は、視覚的に豊かだが機能的に不完全な双生児を生み出す。 鍵となる障壁は、基礎となる材料特性(例えば、誘電率、伝導率)の欠如である。 非接触で非侵襲的なセンシングによって、シーンのすべてのポイントについてこの情報を取得することが、第一の目標だが、悪名高い物理的逆転問題を解決する必要がある。 画像や無線周波数(RF)のような標準的なリモート信号は、未知の幾何学、周囲の磁場、ターゲット材料を深く絡み合わせる。 NEMFは,機能的デジタル双生児を構築するために設計された,高密度で非侵襲的な物理インバージョンのための新しいフレームワークである。 私たちの重要な洞察は、系統的な混乱戦略です。 NEMFは画像からの高忠実度幾何を強力なアンカーとして利用し、まず周囲の場の分解を可能にする。 非侵襲的なデータのみを用いて幾何学とフィールドの両方を制約することにより、元々の不正な問題から、しっかりとした物理を監督した学習タスクへと変換される。 この変換によって、コアのインバージョンモジュールであるデコーダがアンロックされます。 周囲のRF信号と物理的反射モデルを含む微分可能な層によってガイドされ、シーンの基盤となる物質パラメータの連続的空間的変化の場を明示的に出力することを学ぶ。 高忠実度合成データセットの枠組みを検証する。 非侵襲的逆転はこれらの物質マップを高精度に再構成し、結果として得られる機能的双対は高忠実度物理シミュレーションを可能にする。 この進歩は受動的視覚レプリカを超えて、物理的な世界の真に機能的でシミュレート可能なモデルを作成することができる。

関連論文リスト

• MOBA: A Material-Oriented Backdoor Attack against LiDAR-based 3D Object Detection Systems [11.315953503694564]
  既存のバックドア攻撃の主な制限は、物理的な実現可能性の欠如である。 物質指向バックドアアタック (Material-Oriented Backdoor Attack, MOBA) は、現実世界のトリガーの物質特性を明示的にモデル化することで、デジタル物理ギャップを埋める。 MOBAは93.50%の攻撃成功率を達成し、以前の手法を41%以上上回っている。
  論文  参考訳（メタデータ） (2025-11-13T06:10:21Z)
• PhysHMR: Learning Humanoid Control Policies from Vision for Physically Plausible Human Motion Reconstruction [52.44375492811009]
  物理学に基づくシミュレーターにおいて,ヒューマノイド制御のための視覚行動ポリシーを学習する統合フレームワークであるPhysHMRを提案する。 我々のアプローチの重要な要素はピクセル・アズ・レイ戦略であり、2次元のキーポイントを3次元空間に上げ、それらを大域空間に変換する。 PhysHMRは多種多様なシナリオにまたがって高忠実で物理的に妥当な動きを生じさせ、視覚的精度と身体的リアリズムの両方において以前のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-10-02T21:01:11Z)
• MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
  MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
  論文  参考訳（メタデータ） (2025-07-07T08:22:32Z)
• Brain3D: Generating 3D Objects from fMRI [78.46936519561298]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• 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)
• Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
  本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。 我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。 実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
  論文  参考訳（メタデータ） (2023-11-17T01:55:15Z)
• Detecting hidden structures from a static loading experiment: topology optimization meets physics-informed neural networks [0.1227734309612871]
  隠れた測地を識別するPINNに基づくトポロジ最適化フレームワークを提案する。 我々は,隠れた空洞と包含物の数,位置,形状を検出することによって,我々の枠組みを検証する。 本手法は,工学における幾何最適化問題を解くためのPINNの経路を開く。
  論文  参考訳（メタデータ） (2023-03-13T12:44:32Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• NeRFInvertor: High Fidelity NeRF-GAN Inversion for Single-shot Real Image Animation [66.0838349951456]
  Nerfベースの生成モデルは、一貫した3次元幾何で高品質な画像を生成する能力を示している。 本研究では,このNeRF-GANモデルを外科的に微調整し,実物体の高忠実度アニメーションを単一画像のみで実現するための普遍的手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T18:36:45Z)
• Shape, Pose, and Appearance from a Single Image via Bootstrapped Radiance Field Inversion [54.151979979158085]
  提案手法では,自然画像に対する基本的エンドツーエンド再構築フレームワークを導入し,正確な地平のポーズが得られない。 そこで,モデルが解の第一の推算を生成するハイブリッド・インバージョン・スキームを適用する。 当社のフレームワークでは,イメージを10ステップでデレンダリングすることが可能で,現実的なシナリオで使用することが可能です。
  論文  参考訳（メタデータ） (2022-11-21T17:42:42Z)
• 3D-aware Image Synthesis via Learning Structural and Textural Representations [39.681030539374994]
  生成モデルを作成することは、2D画像空間と3D物理世界を橋渡しするが、まだ難しい。 近年、GAN(Generative Adversarial Network)とNeRF(Neural Radiance Field)という3次元座標をピクセル値にマッピングする手法が試みられている。 本稿では,構造表現とテクスチャ表現を明示的に学習することで,高忠実度3次元画像合成のための新しいフレームワーク,VolumeGANを提案する。
  論文  参考訳（メタデータ） (2021-12-20T18:59:40Z)

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。