論文の概要: FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2603.21356v1
• Date: Sun, 22 Mar 2026 18:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.375037
• Title: FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction
• Title（参考訳）: FluidGaussian: 関数型3次元再構成に向けたシミュレーションに基づく不確かさの伝播
• Authors: Yuqiu Liu, Jialin Song, Marissa Ramirez de Chanlatte, Rochishnu Chowdhury, Rushil Paresh Desai, Wuyang Chen, Daniel Martin, Michael Mahoney,
• Abstract要約: 本研究では,形状再構成とユビキタスな流体構造相互作用を密結合させて表面品質を高い粒度で評価するプラグ・アンド・プレイ法を提案する。 我々のFluidGaussian法は、流体シミュレーション中に最大で8.6%のPSNR(Peak Signal-to-Noise Ratio)と-62.3%の速度ばらつきをもたらす。
• 参考スコア（独自算出の注目度）: 7.470891011832241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real objects that inhabit the physical world follow physical laws and thus behave plausibly during interaction with other physical objects. However, current methods that perform 3D reconstructions of real-world scenes from multi-view 2D images optimize primarily for visual fidelity, i.e., they train with photometric losses and reason about uncertainty in the image or representation space. This appearance-centric view overlooks body contacts and couplings, conflates function-critical regions (e.g., aerodynamic or hydrodynamic surfaces) with ornamentation, and reconstructs structures suboptimally, even when physical regularizers are added. All these can lead to unphysical and implausible interactions. To address this, we consider the question: How can 3D reconstruction become aware of real-world interactions and underlying object functionality, beyond visual cues? To answer this question, we propose FluidGaussian, a plug-and-play method that tightly couples geometry reconstruction with ubiquitous fluid-structure interactions to assess surface quality at high granularity. We define a simulation-based uncertainty metric induced by fluid simulations and integrate it with active learning to prioritize views that improve both visual and physical fidelity. In an empirical evaluation on NeRF Synthetic (Blender), Mip-NeRF 360, and DrivAerNet++, our FluidGaussian method yields up to +8.6% visual PSNR (Peak Signal-to-Noise Ratio) and -62.3% velocity divergence during fluid simulations. Our code is available at https://github.com/delta-lab-ai/FluidGaussian.
• Abstract（参考訳）: 物理的世界に存在する実際の物体は、物理的法則に従い、他の物理的物体との相互作用の間、合理的に振る舞う。 しかし、マルチビュー2次元画像から現実のシーンを3次元再構成する現在の手法は、主に視覚的忠実度のために最適化されている。 この外観中心のビューは、身体接触やカップリングを見下ろし、機能クリティカル領域(例えば、空力面や流体面)を装飾と融合させ、物理的レギュレータを付加しても、構造を過度に再構築する。 これら全ては、非物理的かつ不可解な相互作用につながる可能性がある。 この問題を解決するために、我々は、どのようにして3D再構成が現実世界の相互作用や下層のオブジェクト機能を認識できるのか、という疑問を考察する。 この問題に対処するため, プラグアンドプレイ法であるFluidGaussianを提案し, 幾何再構成をユビキタスな流体構造相互作用と密に結合し, 表面品質を高い粒度で評価する。 我々は流体シミュレーションによって誘導されるシミュレーションに基づく不確実性尺度を定義し、それをアクティブな学習と統合し、視覚的および身体的忠実性の両方を改善するビューを優先順位付けする。 The empirical evaluation on NeRF Synthetic (Blender), Mip-NeRF 360, DrivAerNet++, our FluidGaussian method yield to more8.6% visual PSNR (Peak Signal-to-Noise Ratio) and -62.3% velocity divergence during fluid Simulation。 私たちのコードはhttps://github.com/delta-lab-ai/FluidGaussian.comで利用可能です。

関連論文リスト

• Real-to-Sim for Highly Cluttered Environments via Physics-Consistent Inter-Object Reasoning [11.05191602561784]
  単一視点からの物理的に有効な3Dシーンの再構築は、視覚知覚とロボット制御のギャップを埋めるための前提条件である。 本稿では,物理制約付き実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2026-02-13T05:24:58Z)
• DreamPhysics: Learning Physics-Based 3D Dynamics with Video Diffusion Priors [75.83647027123119]
  本稿では,映像拡散前の物体の物理的特性を学習することを提案する。 次に,物理に基づくMaterial-Point-Methodシミュレータを用いて,現実的な動きを伴う4Dコンテンツを生成する。
  論文  参考訳（メタデータ） (2024-06-03T16:05:25Z)
• 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)
• Gaussian Splashing: Unified Particles for Versatile Motion Synthesis and Rendering [41.589093951039814]
  立体と流体の物理アニメーションを3Dガウススティング(3DGS)と統合し、3DGSを用いて再構成された仮想シーンにおける新たな効果を創出する。 我々のフレームワークは動的流体上の表面ハイライトを現実的に再現し、新しいビューからシーンオブジェクトと流体間の相互作用を容易にする。
  論文  参考訳（メタデータ） (2024-01-27T06:45:22Z)
• 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。