論文の概要: SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents
- arxiv url: http://arxiv.org/abs/2603.23973v1
- Date: Wed, 25 Mar 2026 06:14:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.15603
- Title: SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents
- Title（参考訳）: SLAT-Phys:3次元構造体からの高速材料物性場予測
- Authors: Rocktim Jyoti Das, Dinesh Manocha,
- Abstract要約: 物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
- 参考スコア（独自算出の注目度）: 55.26273954022457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the material property field of 3D assets is critical for physics-based simulation, robotics, and digital twin generation. Existing vision-based approaches are either too expensive and slow or rely on 3D information. We present SLAT-Phys, an end-to-end method that predicts spatially varying material property fields of 3D assets directly from a single RGB image without explicit 3D reconstruction. Our approach leverages spatially organised latent features from a pretrained 3D asset generation model that encodes rich geometry and semantic prior, and trains a lightweight neural decoder to estimate Young's modulus, density, and Poisson's ratio. The coarse volumetric layout and semantic cues of the latent representation about object geometry and appearance enable accurate material estimation. Our experiments demonstrate that our method provides competitive accuracy in predicting continuous material parameters when compared against prior approaches, while significantly reducing computation time. In particular, SLAT-Phys requires only 9.9 seconds per object on an NVIDIA RTXA5000 GPU and avoids reconstruction and voxelization preprocessing. This results in 120x speedup compared to prior methods and enables faster material property estimation from a single image.
- Abstract（参考訳）: 物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
既存のビジョンベースのアプローチは、あまりにも高価で遅いか、3D情報に依存している。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
提案手法では, 事前学習した3次元アセット生成モデルから空間的に整理された潜在特性を活用し, ヤング率, 密度, ポアソン比を推定するために, 軽量神経デコーダを訓練する。
物体形状と外観に関する潜在表現の粗い体積配置と意味的手がかりは、正確な物質推定を可能にする。
提案手法は, 従来の手法と比較した場合の連続材料パラメータの予測において, 計算時間を大幅に削減すると共に, 競合精度が向上することを示した。
特にSLAT-PhysはNVIDIA RTXA5000 GPU上で1オブジェクトあたり9.9秒しか必要とせず、再構築やボキセル化前処理を避ける。
これにより、従来の手法と比較して120倍の高速化が可能となり、単一の画像からより高速な材料特性推定が可能となる。
関連論文リスト
- Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence [78.1406635199656]
Holi-Spatialは、人間の介入なしに生のビデオ入力から構築された、初めて完全に自動化され、大規模で、空間対応のマルチモーダルデータセットである。
Holi-Spatial-4Mは、12K最適化された3DGSシーン、1.3Mの2Dマスク、320Kの3Dバウンディングボックス、320Kのインスタンスキャプション、1.2Mの3Dグラウンドインスタンス、1.2Mの空間QAペアを含む、最初の大規模で高品質な3Dセマンティックデータセットである。
論文 参考訳（メタデータ） (2026-03-08T14:49:20Z) - FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。
FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
論文 参考訳（メタデータ） (2026-02-02T07:00:42Z) - MatSpray: Fusing 2D Material World Knowledge on 3D Geometry [7.4570191712029965]
本稿では,新しい学習手法と投影手法を組み合わせた3次元形状に2次元素材データを融合する枠組みを提案する。
その結果,提案手法は,定量的メトリクスと知覚的視覚リアリズムの両方において,既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-12-20T10:58:45Z) - Particulate: Feed-Forward 3D Object Articulation [89.78788418174946]
Particulateは、毎日のオブジェクトの1つの静的3Dメッシュが与えられたフィードフォワードアプローチであり、基盤となる関節構造のすべての属性を直接推論する。
私たちは、公開データセットから多種多様な3Dアセットの集合に基づいて、ネットワークのエンドツーエンドをトレーニングします。
推論中、Particulateはネットワークのフィードフォワード予測を入力メッシュに持ち上げ、完全に調音された3Dモデルを数秒で生成する。
論文 参考訳（メタデータ） (2025-12-12T18:59:51Z) - PhysGM: Large Physical Gaussian Model for Feed-Forward 4D Synthesis [37.21119648359889]
PhysGMはフィードフォワードフレームワークであり、単一の画像から3次元ガウス表現とその物理的特性を共同で予測する。
1分で1枚の画像から高忠実度4Dシミュレーションを効果的に生成する。
論文 参考訳（メタデータ） (2025-08-19T15:10:30Z) - EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。
本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
論文 参考訳（メタデータ） (2025-03-26T02:47:27Z) - Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。
人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。
また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
論文 参考訳（メタデータ） (2024-11-19T12:52:21Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z)
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。