論文の概要: DiffWind: Physics-Informed Differentiable Modeling of Wind-Driven Object Dynamics

• arxiv url: http://arxiv.org/abs/2603.09668v1
• Date: Tue, 10 Mar 2026 13:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.341933
• Title: DiffWind: Physics-Informed Differentiable Modeling of Wind-Driven Object Dynamics
• Title（参考訳）: DiffWind: 風駆動物体ダイナミクスの物理インフォームド微分モデル
• Authors: Yuanhang Lei, Boming Zhao, Zesong Yang, Xingxuan Li, Tao Cheng, Haocheng Peng, Ru Zhang, Yang Yang, Siyuan Huang, Yujun Shen, Ruizhen Hu, Hujun Bao, Zhaopeng Cui,
• Abstract要約: DiffWindは、風と物体の相互作用、ビデオベースモデリング、フォワードシミュレーションを統一する物理インフォーム可能なフレームワークである。 提案手法は,再現精度とシミュレーション忠実度の両方において,従来の動的シーンモデリング手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 97.57382055179725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling wind-driven object dynamics from video observations is highly challenging due to the invisibility and spatio-temporal variability of wind, as well as the complex deformations of objects. We present DiffWind, a physics-informed differentiable framework that unifies wind-object interaction modeling, video-based reconstruction, and forward simulation. Specifically, we represent wind as a grid-based physical field and objects as particle systems derived from 3D Gaussian Splatting, with their interaction modeled by the Material Point Method (MPM). To recover wind-driven object dynamics, we introduce a reconstruction framework that jointly optimizes the spatio-temporal wind force field and object motion through differentiable rendering and simulation. To ensure physical validity, we incorporate the Lattice Boltzmann Method (LBM) as a physics-informed constraint, enforcing compliance with fluid dynamics laws. Beyond reconstruction, our method naturally supports forward simulation under novel wind conditions and enables new applications such as wind retargeting. We further introduce WD-Objects, a dataset of synthetic and real-world wind-driven scenes. Extensive experiments demonstrate that our method significantly outperforms prior dynamic scene modeling approaches in both reconstruction accuracy and simulation fidelity, opening a new avenue for video-based wind-object interaction modeling.
• Abstract（参考訳）: 物体の複雑な変形だけでなく、風の可視性と時空間変動性から、映像観察から風駆動物体の力学をモデル化することは極めて困難である。 DiffWindは、風と物体の相互作用モデリング、ビデオベースの再構成、前方シミュレーションを統一する物理インフォーム可能な微分可能なフレームワークである。 具体的には,風を格子型物理場として表現し,物質点法(MPM)でモデル化した3次元ガウス散乱から導出した粒子系として物体を表現した。 風力駆動の物体力学を復元するために, 時空間の風力場と物体の動きを異なるレンダリングとシミュレーションにより協調的に最適化する再構成フレームワークを導入する。 物理的妥当性を確保するため、流体力学法則の遵守を強制して、格子ボルツマン法(LBM)を物理インフォームド制約として組み込む。 再建以外にも,新しい風環境下でのフォワードシミュレーションを自然に支援し,風の再ターゲティングなどの新しい応用を可能にする。 さらに,WD-Objectsという人工風力駆動シーンのデータセットについても紹介する。 広汎な実験により,提案手法は再現精度とシミュレーション忠実度の両方において,従来の動的シーンモデリング手法よりも大幅に優れており,映像ベース風-物体相互作用モデリングの新たな道が開かれた。

関連論文リスト

• 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)
• PhyMAGIC: Physical Motion-Aware Generative Inference with Confidence-guided LLM [17.554471769834453]
  一つの画像から物理的に一貫した動きを生成するトレーニング不要のフレームワークであるPhyMAGICを提案する。 PhyMAGICは、事前訓練された画像間拡散モデル、LDMによる信頼誘導推論、微分可能な物理シミュレータを統合する。 総合的な実験により、PhyMAGICは最先端のビデオジェネレータや物理対応のベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T09:40:34Z)
• PhysTwin: Physics-Informed Reconstruction and Simulation of Deformable Objects from Videos [21.441062722848265]
  PhysTwinは、対話中の動的オブジェクトのスパースビデオを使用して、写真と物理的にリアルでリアルタイムなインタラクティブなレプリカを生成する新しいフレームワークである。 提案手法は,(1)現実的な物理シミュレーションのためにバネ質量モデルを組み合わせた物理インフォームド表現,および幾何学のための生成形状モデル,およびレンダリングのためのガウススプラットである。 本手法は,視覚的知覚の手がかりと逆物理の枠組みを統合し,部分的,隠蔽的,限定的な視点からでも高忠実度復元を可能にする。
  論文  参考訳（メタデータ） (2025-03-23T07:49:19Z)
• PhysMotion: Physics-Grounded Dynamics From a Single Image [24.096925413047217]
  本稿では、物理シミュレーションを利用した新しいフレームワークであるPhysMotionを紹介し、一つの画像と入力条件から生成された中間3次元表現をガイドする。 我々のアプローチは、従来のデータ駆動生成モデルの限界に対処し、より一貫した物理的に妥当な動きをもたらす。
  論文  参考訳（メタデータ） (2024-11-26T07:59:11Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• 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)
• EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision [85.17951804790515]
  EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。 シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。 本手法はセンサシミュレーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-03T17:59:55Z)
• Virtual Elastic Objects [18.228492027143307]
  現実のオブジェクトのように振る舞う仮想オブジェクトを構築します。 我々は、微分可能な粒子ベースシミュレータを用いて、変形場を用いて代表材料パラメータを探索する。 各種力場下で12個のオブジェクトのデータセットを用いて実験を行い,コミュニティと共有する。
  論文  参考訳（メタデータ） (2022-01-12T18:59:03Z)

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。