論文の概要: PhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning

• arxiv url: http://arxiv.org/abs/2603.23194v1
• Date: Tue, 24 Mar 2026 13:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.499847
• Title: PhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning
• Title（参考訳）: PhysSkin: 自己監督型ニューラルスキニングによる実時間および一般化可能な物理ベースのアニメーション
• Authors: Yuanhang Lei, Tao Cheng, Xingxuan Li, Boming Zhao, Siyuan Huang, Ruizhen Hu, Peter Yichen Chen, Hujun Bao, Zhaopeng Cui,
• Abstract要約: PhysSkinは、リアルタイム物理ベースのアニメーションのための物理インフォームドフレームワークである。 メッシュフリー、離散化非依存、物理的に一貫したスキンフィールドを生成し、様々な3D形状でうまく一般化する。 PhysSkinは、一般化可能なニューラルスキンの優れた性能を示し、リアルタイム物理ベースのアニメーションを可能にする。
• 参考スコア（独自算出の注目度）: 68.07729798029148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving real-time physics-based animation that generalizes across diverse 3D shapes and discretizations remains a fundamental challenge. We introduce PhysSkin, a physics-informed framework that addresses this challenge. In the spirit of Linear Blend Skinning, we learn continuous skinning fields as basis functions lifting motion subspace coordinates to full-space deformation, with subspace defined by handle transformations. To generate mesh-free, discretization-agnostic, and physically consistent skinning fields that generalize well across diverse 3D shapes, PhysSkin employs a new neural skinning fields autoencoder which consists of a transformer-based encoder and a cross-attention decoder. Furthermore, we also develop a novel physics-informed self-supervised learning strategy that incorporates on-the-fly skinning-field normalization and conflict-aware gradient correction, enabling effective balancing of energy minimization, spatial smoothness, and orthogonality constraints. PhysSkin shows outstanding performance on generalizable neural skinning and enables real-time physics-based animation.
• Abstract（参考訳）: 様々な3D形状や離散化を一般化する物理に基づくリアルタイムアニメーションを実現することは、依然として根本的な課題である。 この課題に対処する物理インフォームドフレームワークであるPhysSkinを紹介する。 線形ブレンドスキニングの精神では、運動部分空間座標をフルスペース変形に引き上げる基底関数として、ハンドラー変換によって定義された部分空間として連続スキニング場を学習する。 メッシュフリーで識別不能で物理的に一貫した3次元形状のスキンフィールドを生成するために、PhysSkinはトランスフォーマーベースのエンコーダとクロスアテンションデコーダからなる新しいニューラルスキンフィールドオートエンコーダを使用する。 さらに,エネルギーの最小化,空間の滑らかさ,直交性の制約を効果的にバランスできる,オンザフライスキンフィールド正規化とコンフリクトアウェア勾配補正を取り入れた物理インフォーム型自己教師型学習戦略を開発した。 PhysSkinは、一般化可能なニューラルスキンの優れた性能を示し、リアルタイム物理ベースのアニメーションを可能にする。

関連論文リスト

• PhysAlign: Physics-Coherent Image-to-Video Generation through Feature and 3D Representation Alignment [23.066204478030627]
  ビデオモデル(VDM)は、動的なシーンや環境をシミュレートするための有望なアプローチを提供する。 既存のモデルは、しばしば基本的な物理的直観に反する時間的に一貫性のないコンテンツを生成する。 物理コヒーレントな画像対ビデオI(2V)生成のための効率的なフレームワークであるPhysAlignを提案する。
  論文  参考訳（メタデータ） (2026-03-14T05:44:18Z)
• 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)
• TRACE: Learning 3D Gaussian Physical Dynamics from Multi-view Videos [7.616167860385134]
  複雑な動的3次元シーンの運動物理をモデル化する新しいフレームワークTRACEを提案する。 各3次元点を空間の大きさと向きの剛性粒子として定式化することにより、各粒子の変換回転力学系を直接学習する。
  論文  参考訳（メタデータ） (2025-08-13T13:43:01Z)
• Half-Physics: Enabling Kinematic 3D Human Model with Physical Interactions [89.88331682333198]
  SMPL-Xを周囲との動的物理的相互作用が可能な有形実体に埋め込む新しい手法を提案する。 本手法は,シーンやオブジェクトとの物理的に妥当な相互作用を確保しつつ,固有のSMPL-Xポーズの運動制御を維持する。 広範かつ複雑な訓練を必要とする強化学習法とは異なり、ハーフフィック法は学習自由であり、あらゆる身体形状や運動に一般化する。
  論文  参考訳（メタデータ） (2025-07-31T17:58:33Z)
• PhysGaia: A Physics-Aware Dataset of Multi-Body Interactions for Dynamic Novel View Synthesis [62.283499219361595]
  PhysGaiaは動的ノベルビュー合成(DyNVS)のために設計された物理対応のデータセットである。 私たちのデータセットは、複数のオブジェクト間のリッチな相互作用を伴う複雑な動的シナリオを提供します。 PhysGaiaは、動的ビュー合成、物理に基づくシーン理解、および物理シミュレーションと統合されたディープラーニングモデルの研究を著しく前進させる。
  論文  参考訳（メタデータ） (2025-06-03T12:19:18Z)
• 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)

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。