論文の概要: FreeForm: Reduced-Order Deformable Simulation from Particle-Based Skinning Eigenmodes
- arxiv url: http://arxiv.org/abs/2605.29318v1
- Date: Thu, 28 May 2026 03:49:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 05:02:24.56251
- Title: FreeForm: Reduced-Order Deformable Simulation from Particle-Based Skinning Eigenmodes
- Title（参考訳）: FreeForm: 粒子ベーススキニング固有モードからの低次変形性シミュレーション
- Authors: Donglai Xiang, Vismay Modi, Rishit Dagli, Ty Trusty, Gilles Daviet, Anka He Chen, Nicholas Sharp, David I. W. Levin,
- Abstract要約: 変形可能な超弾性物体のメッシュフリーで低次シミュレーションのための新しい定式化法を提案する。
メッシュやガウススプラットなど,さまざまな表現のさまざまな対象に対してシミュレーション結果を示す。
- 参考スコア（独自算出の注目度）: 19.590008850745857
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present a novel formulation for mesh-free, reduced-order simulation of deformable hyperelastic objects. Existing work in reduced-order elastodynamic simulation represents the input geometry by either meshes, which can be difficult to obtain due to challenges in scanning and triangulating complex shapes, or by neural fields that require per-shape optimization. We propose to adopt a Reproducing Kernel Particle Method (RKPM) representation, which enables the construction of reduced-order skinning weights by solving a generalized eigensystem on the Hessian matrix of the elastic energy. We demonstrate that this formulation not only leads to a 40x training speedup compared with the per-shape optimization of neural fields, but also achieves lower simulation error when evaluated against the converged results of finite element method. We show our simulation results on a wide variety of objects in different representations including meshes and Gaussian splats, as well as the application of our method in the downstream task of robot simulation.
- Abstract（参考訳）: 変形可能な超弾性物体のメッシュフリーで低次シミュレーションのための新しい定式化法を提案する。
縮小次エラストダイナミックシミュレーションにおける既存の研究は、複雑な形状の走査と三角測量の難しさや、形状ごとの最適化を必要とする神経場によって得るのが難しいメッシュによる入力幾何学を表している。
本稿では, 弾性エネルギーのヘッセン行列上の一般化固有系を解くことで, 低次スキンウェイトの構築を可能にする再生カーネル粒子法(RKPM)の表現を採用することを提案する。
この定式化は、ニューラルネットワークの形状ごとの最適化に比べて40倍のトレーニングスピードアップをもたらすだけでなく、有限要素法の収束結果に対して評価した場合のシミュレーション誤差も低いことを示す。
本稿では,メッシュやガウススプラットなど,さまざまな表現のオブジェクトに対してシミュレーション結果を示すとともに,ロボットシミュレーションの下流タスクにおける手法の適用について述べる。
関連論文リスト
- Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。
多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。
その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
論文 参考訳（メタデータ） (2025-07-24T11:02:13Z) - 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) - Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。
我々の手法は科学計算による並列シミュレーション技術に基づいている。
論文 参考訳（メタデータ） (2024-12-10T11:50:46Z) - Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains [19.755626638375904]
進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。
重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。
提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
論文 参考訳（メタデータ） (2024-10-12T07:49:23Z) - Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。
本稿では,最適化された部分空間マッピングの探索手法を提案する。
準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-09-05T12:56:03Z) - Simplicits: Mesh-Free, Geometry-Agnostic, Elastic Simulation [18.45850302604534]
幾何表現の任意の対象に対して弾性シミュレーションを行うための,データ,メッシュ,グリッドフリーのソリューションを提案する。
各オブジェクトに対して、変形ベースとして作用する様々な重みを符号化する小さな暗黙のニューラルネットワークを適合させる。
実験では, 距離関数, 点雲, ニューラルプリミティブ, トモグラフィースキャン, 放射場, ガウススプラット, 表面メッシュ, 体積メッシュなどのデータに対して, このアプローチの汎用性, 精度, 速度を実証した。
論文 参考訳（メタデータ） (2024-06-09T18:57:23Z)
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。