論文の概要: HyperBones: Realtime Bone-driven Neural Garment Simulation with Hypernetwork Conditioning

• arxiv url: http://arxiv.org/abs/2605.20460v2
• Date: Wed, 27 May 2026 11:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:54.78511
• Title: HyperBones: Realtime Bone-driven Neural Garment Simulation with Hypernetwork Conditioning
• Title（参考訳）: HyperBones: ハイパーネットワークコンディショニングによるリアルタイム骨駆動型ニューラルガーメントシミュレーション
• Authors: Astitva Srivastava, Hsiao-Yu Chen, Ryan Goldade, Philipp Herholz, Zhongshi Jiang, Gene Wei-Chin Lin, Lingchen Yang, Nikolaos Sarafianos, Tuur Stuyck, Doug Roble, Avinash Sharma, Egor Larionov,
• Abstract要約: 動的衣服シミュレーションのための高速かつ物理的に妥当なアプローチを提案する。 本手法は,独立した粗い成分と細粒度成分からなる縮小空間型ニューラルダイナミクスシミュレータを訓練する。 シミュレータはコモディティGPU上で300FPS以上で動作し、リアルタイムアプリケーションに適している。
• 参考スコア（独自算出の注目度）: 19.763569928485868
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in garment simulation have brought high-quality results closer to real-time performance. Physics-based simulators can produce accurate motion, but remain too computationally expensive for interactive applications. In contrast, linear blend skinning is efficient, but cannot capture the complex dynamics of loose-fitting garments, often leading to unrealistic motion and visual artifacts. Neural methods offer a promising alternative, yet they still struggle to animate loose clothing plausibly under strict runtime constraints. We present a fast and physically plausible approach for dynamic garment simulation. Our method trains a reduced-space neural dynamics simulator composed of independent coarse- and fine-level components. At the coarse level, the garment is driven by a set of virtual bones integrated with a lightweight neural network. Fine-scale wrinkle details are then recovered using a trained convolutional neural map. By decoupling identity-specific computation from real-time neural integration, our architecture maintains high performance while supporting diverse body shapes and motions. We further introduce an effective physics-supervision scheme that enables accurate results without relying on an external simulator. Experiments show that our method produces physically plausible garment dynamics, generalizes across a range of motions and body shapes, and supports a fixed set of garments. Our simulator runs at 300+ FPS on a commodity GPU, making it suitable for real-time applications.
• Abstract（参考訳）: 衣料シミュレーションの最近の進歩は、高品質な結果をリアルタイムのパフォーマンスに近づけている。 物理ベースのシミュレータは正確な動きを生成できるが、対話的なアプリケーションには計算コストがかかりすぎる。 対照的に、リニア・ブレンド・スキンニングは効率的であるが、ゆるやかな服装の複雑なダイナミクスを捉えることができず、しばしば非現実的な動きや視覚的アーティファクトに繋がる。 ニューラルメソッドは有望な代替手段を提供するが、厳格なランタイム制約の下では、ゆるい服をアニメーションするのに依然として苦労している。 動的衣服シミュレーションのための高速かつ物理的に妥当なアプローチを提案する。 本手法は,独立した粗い成分と細粒度成分からなる縮小空間型ニューラルダイナミクスシミュレータを訓練する。 粗いレベルでは、この衣服は軽量ニューラルネットワークと統合された仮想骨によって駆動される。 その後、訓練された畳み込みニューラルマップを使用して、微細な輪郭の詳細を復元する。 リアルタイムのニューラル統合からアイデンティティ固有の計算を分離することにより、アーキテクチャは、多様なボディ形状と動きをサポートしながら、高性能を維持します。 さらに,外部シミュレータに頼らずに正確な結果が得られる物理スーパービジョン方式を提案する。 実験により, 物理的に可塑性の衣服力学を創出し, 様々な動きや体形を一般化し, 固定された衣服群を支持できることが確認された。 シミュレータはコモディティGPU上で300FPS以上で動作し、リアルタイムアプリケーションに適している。

関連論文リスト

• GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning [55.272458304179025]
  GS-Playgroundは、エンド・ツー・エンドの知覚学習を促進するために設計されたマルチモーダル・シミュレーション・フレームワークである。 このシステムは640x480の解像度で104 FPSのスループットを達成し、大規模な視覚的RLの障壁を著しく低減する。
  論文  参考訳（メタデータ） (2026-04-28T10:05:39Z)
• DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
  レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。 コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
  論文  参考訳（メタデータ） (2026-02-27T15:35:30Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
  本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。 このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
  論文  参考訳（メタデータ） (2024-03-19T15:21:00Z)
• DiffAvatar: Simulation-Ready Garment Optimization with Differentiable Simulation [27.553678582454648]
  物理シミュレーションは、人間の現実的な動きを生み出すことができるが、布のシミュレーションには、関連する物理パラメータを持つ高品質な衣服の資産が必要である。 本稿では,身体と衣服の共最適化を行う新しい手法であるPapernameを提案する。 提案手法は,下流の用途に適したリアルな衣服や体型を創出することを示す。
  論文  参考訳（メタデータ） (2023-11-20T21:20:37Z)

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。