論文の概要: UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching

• arxiv url: http://arxiv.org/abs/2606.05399v2
• Date: Tue, 09 Jun 2026 15:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.935449
• Title: UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching
• Title（参考訳）: UniPixie:フローマッチングによる統一的で確率的な3D物理学習
• Authors: Qilin Huang, Quynh Anh Huynh, Long Le, Chen Wang, Chuhao Chen, Ryan Lucas, Eric Eaton, Lingjie Liu,
• Abstract要約: UNIPIXIEは、単一の視覚入力から物理的に可視な材料特性の連続経路を予測するために訓練されたフレームワークである。 PIXIEMULTIVERSEデータセット上で物体の最も軟弱なスペクトルに沿った直接マッピングを学習することで、UNIPIXIEは多様な物理的に有効な物質場を制御可能な生成を可能にする。
• 参考スコア（独自算出の注目度）: 29.8272108619491
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Existing feed-forward networks excel at predicting a single set of physical properties from visual appearance, but this point-estimate paradigm fundamentally fails to capture the real world's inherent physical ambiguity. We address this by reframing physics prediction as a task of learning a controllable, continuous distribution of material properties. We introduce UNIPIXIE, a framework trained to predict a continuous and parameterized path of physically plausible material properties from a single visual input. By learning a direct mapping along an object's softest-to-stiffest spectrum on our PIXIEMULTIVERSE dataset, UNIPIXIE allows for controllable generation of diverse, physically valid material fields via a single intuitive parameter. Crucially, UNIPIXIE introduces a novel unified architecture to produce simulation-ready parameters for diverse physics solvers, including continuum-based Material Point Method (MPM), reduced-order deformation based on Linear Blend Skinning (LBS), and anchor-based Spring-Mass systems, addressing a key portability issue in prior work. Experiments show our approach not only generates a rich variety of plausible dynamics but also reduces Young's Modulus prediction error by over 50% against the strongest deterministic baseline, bridging the gap between static point estimates and the continuous nature of physical reality. Project page: https://unipixie.github.io/
• Abstract（参考訳）: 既存のフィードフォワードネットワークは、視覚的な外観から一組の物理的特性を予測するのに優れていますが、このポイント推定パラダイムは基本的に、現実世界固有の物理的曖昧さを捉えることができません。 物質特性の制御可能かつ連続的な分布を学習するタスクとして,物理予測を再定義することで,この問題に対処する。 UNIPIXIEは1つの視覚入力から物理的に可視な材料特性の連続的かつパラメータ化された経路を予測するために訓練されたフレームワークである。 PIXIEMULTIVERSEデータセット上で、オブジェクトの最も軟弱なスペクトルに沿った直接マッピングを学習することで、UNIPIXIEは単一の直感的パラメータによって、多種多様な物理的に有効な物質場を制御可能な生成を可能にします。 重要な点として、UNIPIXIEは、連続点法(MPM)、線形ブレンドスキニング(LBS)に基づく低次変形、アンカーベースのSpring-Massシステムなど、様々な物理問題に対するシミュレーション可能なパラメータを生成するための新しい統一アーキテクチャを導入した。 実験により,本手法は多種多様なプラウチブルダイナミクスを生成するだけでなく,静的点推定と物理現実の連続性とのギャップを埋めることにより,最強決定論ベースラインに対してヤングのモジュラー予測誤差を50%以上低減することを示した。 プロジェクトページ: https://unipixie.github.io/

関連論文リスト

• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• MMPhysVideo: Scaling Physical Plausibility in Video Generation via Joint Multimodal Modeling [55.72785604682579]
  MMPhysVideoは、共同マルチモーダルモデリングにおけるビデオ生成における物理的可視性を拡大するフレームワークである。 MMPhysVideoは、様々なベンチマークで高度なモデルよりも、物理的な可視性と視覚的品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-03T07:32:24Z)
• pADAM: A Plug-and-Play All-in-One Diffusion Architecture for Multi-Physics Learning [7.782045150068569]
  pADAMは、不均一な偏微分方程式族をまたいだ共分散確率的事前学習を行う統合生成フレームワークである。 トレーニングをすることなく、単一のアーキテクチャ内で前方予測と逆推論をサポートする。
  論文  参考訳（メタデータ） (2026-03-17T16:37:11Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• 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)
• Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
  本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。 我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。 実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
  論文  参考訳（メタデータ） (2023-11-17T01:55:15Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。