論文の概要: NEXUS: Neural Energy Fields for Physically Consistent Contact-Rich 3D Object Dynamics

• arxiv url: http://arxiv.org/abs/2606.15015v2
• Date: Thu, 18 Jun 2026 06:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.508044
• Title: NEXUS: Neural Energy Fields for Physically Consistent Contact-Rich 3D Object Dynamics
• Title（参考訳）: NEXUS: 物理的に一貫した接触リッチ3次元物体運動のためのニューラルエネルギー場
• Authors: Qizhen Ying, Guangming Wang, Yangchen Pan, Victor Adrian Prisacariu, Brian Sheil, Yixiong Jing,
• Abstract要約: NEXUSは、接触に富む3Dオブジェクトダイナミクスのための神経エネルギー場フレームワークである。 状態や加速度を直接予測するのではなく、スカラーエネルギーと散逸項を通して運動を定式化する。 コンタクトリッチなビデオ生成のための効果的なガイダンスを提供し、競争力のある視覚的品質を維持しながら、身体的妥当性を向上させる。
• 参考スコア（独自算出の注目度）: 22.23027213360791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-grounded video generation requires controllable 3D object dynamics that remain physically consistent under contact, deformation, and external forcing. Existing trajectory-based methods often model isolated physical effects, making it difficult to compose conservative and non-conservative dynamics in contact-rich 3D scenes. We present NEXUS, a neural energy-field framework for contact-rich 3D object dynamics. NEXUS represents each object as a structural graph and constructs dynamic object-object and object-environment contact graphs. Inspired by Hamiltonian Neural Networks, NEXUS formulates motion through scalar energy and dissipation terms rather than directly predicting states or accelerations. Conservative effects, including gravity and elastic deformation, are composed as additive energy terms, while non-conservative effects such as damping and impact-induced energy loss are modeled with learned Rayleigh-style dissipation. Forces are derived by differentiating the energy and dissipation functions and rolled out with a multi-substep semi-implicit integrator. Across controlled trajectory benchmarks, NEXUS improves long-horizon accuracy over representative learned and physics-structured dynamics baselines under varying mechanical properties and physical-effect compositions. We further show that NEXUS trajectories provide effective guidance for contact-rich video generation, improving physical plausibility while maintaining competitive visual quality.
• Abstract（参考訳）: 物理グラウンドのビデオ生成には、接触、変形、外部強制の下で物理的に一貫した状態を維持する制御可能な3Dオブジェクトのダイナミクスが必要である。 既存の軌道に基づく手法は、しばしば孤立した物理的効果をモデル化し、接触に富む3Dシーンにおいて保守的で非保守的なダイナミクスを構成するのが困難である。 我々は,接触リッチな3Dオブジェクトダイナミクスのためのニューラルエネルギー場フレームワークであるNEXUSを提案する。 NEXUSは、各オブジェクトを構造グラフとして表現し、動的オブジェクトとオブジェクト環境の接触グラフを構築する。 ハミルトンニューラルネットワークにインスパイアされたNEXUSは、状態や加速度を直接予測するのではなく、スカラーエネルギーと散逸項を通して運動を定式化する。 重力や弾性変形を含む保守的な効果は付加的なエネルギー項として構成され、減衰や衝撃によるエネルギー損失のような非保存的な効果はレイリー式散逸によってモデル化される。 力はエネルギーと散逸関数を微分して導かれ、多段半単純積分器でロールアウトされる。 制御された軌道ベンチマーク全体で、NEXUSは、様々な機械的特性と物理効果の組成の下で、代表的な学習および物理構造化された力学ベースラインよりも長い水平精度を向上する。 さらに、NEXUSトラジェクトリは、競合する視覚的品質を維持しつつ、身体的可視性を向上し、コンタクトリッチな映像生成のための効果的なガイダンスを提供することを示す。

関連論文リスト

• CausalGS: Learning Physical Causality of 3D Dynamic Scenes with Gaussian Representations [0.3580891736370874]
  CausalGSは、複雑なダイナミックな3Dシーンの因果ダイナミクスをマルチビュービデオから学習するフレームワークである。 我々の研究は、人間のアノテーションがなければ、モデルは複数の物理的性質の間の複雑な相互作用を学習できることを示している。
  論文  参考訳（メタデータ） (2026-05-11T13:59:01Z)
• 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)
• Physics-Informed Deformable Gaussian Splatting: Towards Unified Constitutive Laws for Time-Evolving Material Field [31.2769262836663]
  本研究では物理インフォームド・デフォルマブル・ガウス・スティング(PIDG)を提案する。 具体的には,静的非結合な4Dハッシュ符号化を用いて,形状と動きを効率的に再構成する。 さらに、ラグランジアン粒子流とカメラ補償光流とを合わせることでデータの適合を監督し、収束を加速し、一般化を改善する。
  論文  参考訳（メタデータ） (2025-11-09T09:35:03Z)
• 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)
• Text-to-3D Gaussian Splatting with Physics-Grounded Motion Generation [47.6666060652434]
  正確な外観と幾何学的構造を持つ3次元モデルを生成する革新的なフレームワークを提案する。 テキスト・ツー・3D生成と物理基底運動合成を統合することにより,本フレームワークはフォトリアリスティックな3Dオブジェクトを描画する。
  論文  参考訳（メタデータ） (2024-12-07T06:48:16Z)
• PhysDreamer: Physics-Based Interaction with 3D Objects via Video Generation [62.53760963292465]
  PhysDreamerは物理に基づくアプローチで、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。 本稿では, 弾性物体の多様な例について考察し, ユーザスタディを通じて合成された相互作用の現実性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T17:41:05Z)

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。