論文の概要: Adaptive Volumetric Mechanical Property Fields Invariant to Resolution
- arxiv url: http://arxiv.org/abs/2606.18231v1
- Date: Tue, 16 Jun 2026 17:56:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.591445
- Title: Adaptive Volumetric Mechanical Property Fields Invariant to Resolution
- Title（参考訳）: 分解能に不変な適応体積機械的特性場
- Authors: Rishit Dagli, Donglai Xiang, Vismay Modi, Xuning Yang, Gavriel State, David I. W. Levin, Maria Shugrina,
- Abstract要約: AdaVoMPは、空間的に正確な密度変化(E$, $$, $$)を予測する方法である。
我々は、最も正確な先行手法であるVoMPの固定ボクセルモデルを、新しいスパース変換器エンコーダ・デコーダモデルに置き換える。
実験の結果、AdaVoMPは従来のすべての技術よりもテストタイムの少ない計算でも、より正確な特性を推定できることがわかった。
- 参考スコア（独自算出の注目度）: 12.321450503624702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate mechanical properties (or materials) Young's modulus ($E$), Poisson's ratio ($ν$) and density ($ρ$) are essential for reliable physics simulation of digital worlds, but most 3D assets lack this information. We propose AdaVoMP, a method for predicting accurate dense spatially-varying ($E$, $ν$, $ρ$) for input 3D objects across representations, improving the resolution, accuracy, and memory efficiency over the state-of-the-art. The foundation of our technique is a sparse and adaptive voxel structure SAV that efficiently represents both the input 3D shape and the material field output. We replace the fixed-voxel model of the most accurate prior method, VoMP, with a novel sparse transformer encoder-decoder model that learns to generate a unique SAV autoregressively for every input shape to represent its materials, achieving a resolution $16^3\times$ higher than prior art. Experiments show that AdaVoMP estimates more accurate volumetric properties, even with lesser test-time compute than all prior art. This allows us to convert high-resolution complex 3D objects into simulation-ready assets, resulting in realistic deformable simulations.
- Abstract（参考訳）: 正確な力学特性(または材料) ヤング率(E$)、ポアソン比(ν$)、密度(ρ$)は、デジタル世界の信頼性のある物理シミュレーションに不可欠であるが、ほとんどの3Dアセットは、この情報を欠いている。
本稿では,AdaVoMPを提案する。AdaVoMPは,3次元オブジェクトの空間的変化を精度よく予測する手法である(E$,$ν$,$ρ$)。
本手法の基礎は、入力3次元形状と材料場出力の両方を効率的に表現するスパースで適応的なボクセル構造SAVである。
我々は、最も正確な先行手法であるVoMPの固定ボクセルモデルを、新しいスパーストランスフォーマーエンコーダデコーダモデルに置き換える。
実験により、AdaVoMPは従来のすべての技術よりも少ないテスト時間計算であっても、より正確なボリューム特性を推定できることが示されている。
これにより、高分解能な複雑な3Dオブジェクトをシミュレーション可能なアセットに変換し、現実的な変形可能なシミュレーションを実現する。
関連論文リスト
- Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。
SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
論文 参考訳（メタデータ） (2026-04-20T16:20:57Z) - SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
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。
論文 参考訳（メタデータ） (2026-03-25T06:14:03Z) - VoMP: Predicting Volumetric Mechanical Property Fields [12.504007202543784]
VoMPは、ヤング率(E$)、ポアソン比(nu$)、密度(rho$)を予測するために訓練されたフィードフォワード方式である。
ボクセルごとのマルチビュー機能を集約し、トレーニング済みのGeometry Transformerに渡して、ボクセルごとの潜伏コードを予測する。
実験により、VoMPは正確な体積特性を推定し、精度と速度において先行技術よりもはるかに優れていることが示された。
論文 参考訳（メタデータ） (2025-10-27T03:56:25Z) - DSO: Aligning 3D Generators with Simulation Feedback for Physical Soundness [79.4785166021062]
ほとんどの3Dオブジェクトジェネレータは審美的品質を優先し、実際的な用途に必要な物理的な制約を無視している。
安定な3Dオブジェクトを生成するための従来のアプローチは、テスト時に幾何を最適化するために微分可能な物理シミュレータに頼っていた。
このフレームワークは、(微分不可能な)シミュレータからのフィードバックを活用し、3Dジェネレータが安定な3Dオブジェクトを直接出力する可能性を高める。
論文 参考訳（メタデータ） (2025-03-28T17:59:53Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - 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) - Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images
with Virtual Depth [64.29043589521308]
仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。
レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。
さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
論文 参考訳（メタデータ） (2021-07-28T11:00:47Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z)
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。