論文の概要: PhysiFormer: Learning to Simulate Mechanics in World Space

• arxiv url: http://arxiv.org/abs/2606.27364v1
• Date: Thu, 25 Jun 2026 17:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.397338
• Title: PhysiFormer: Learning to Simulate Mechanics in World Space
• Title（参考訳）: PhysiFormer:世界空間でメカニクスをシミュレートする学習
• Abstract要約: 物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 世界座標で表される3Dメッシュとしてオブジェクトを表す。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 56.16644631495
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present PhysiFormer, a diffusion transformer for physically-plausible 3D object motion. Unlike video world models that operate in view-dependent pixel space, PhysiFormer represents objects as 3D meshes expressed in world coordinates. Given the initial vertex positions and velocities, as well as object material type, rigid or elastic, the model samples future vertex trajectories. While related neural physics approaches build on ad-hoc latent spaces or explicitly enforce rigidity and causality, PhysiFormer shows that excellent results can be obtained without any such inductive biases, by casting vertex trajectory prediction as a single denoising diffusion process directly in world coordinates. The probabilistic formulation captures uncertainty in the learned dynamics, enabling diverse plausible futures from initial conditions, making this framework potentially useful for applications with unobserved uncertainty. The model features attention factorised over time, space, and objects for efficiency, enabling permutation-invariant multi-object reasoning without needing explicit object encoding. Trained on over 100k simulated trajectories, PhysiFormer generates rigid and elastic mechanics, and generalises to mixed-material settings, unseen real-world geometries, and larger object counts. It substantially outperforms autoregressive baselines in trajectory accuracy, rigidity preservation, and momentum-based physical consistency. Our results position coordinate-space diffusion as a promising step toward view-invariant, geometry-aware world modelling for robotics, graphics, and physical design. Visualisations, code, and models are available at https://yimingc9.github.io/physiformer.
• Abstract（参考訳）: 物理的に表現可能な3次元物体運動のための拡散変換器であるPhysorFormerを提案する。 ビュー依存ピクセル空間で動作するビデオワールドモデルとは異なり、PhysorFormerはオブジェクトを世界座標で表現された3Dメッシュとして表現する。 最初の頂点の位置と速度、および物体の材料タイプ、剛性または弾性が与えられたモデルは、将来の頂点軌道をサンプリングする。 関連する神経物理学のアプローチはアドホックな潜在空間上に構築されるか、厳密さと因果性を明確に強制するが、PhysorFormerは、頂点軌道予測を1つの偏微分拡散過程として世界座標に直接キャストすることで、そのような誘導バイアスなしで優れた結果が得られることを示した。 確率的定式化(probabilistic formulation)は、学習力学における不確実性を捉え、初期条件から様々な可算未来を可能にする。 このモデルは、時間、空間、効率のために分解された注意を特徴とし、明示的なオブジェクトエンコーディングを必要とせずに、置換不変なマルチオブジェクト推論を可能にする。 100k以上のシミュレートされた軌道で訓練されたPhysorFormerは、剛性で弾性的なメカニクスを生成し、混合材料の設定、目に見えない現実世界のジオメトリー、より大きな物体数に一般化する。 これは、軌道精度、剛性保存、運動量に基づく物理的一貫性において、自己回帰ベースラインを大幅に上回る。 本研究は,ロボット工学,グラフィックス,物理設計の視点不変・幾何学的世界モデリングに向けて,座標空間拡散を有望なステップと位置づけた。 可視化、コード、モデルはhttps://yimingc9.github.io/physiformer.comで入手できる。

関連論文リスト

• GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
  GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。 一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。 この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
  論文  参考訳（メタデータ） (2026-08-06T12:19:38Z)
• PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics [6.7982839614843575]
  PhysCoReは、2つのフィードフォワードニューラルネットワークと微分可能なMaterial Point Methodシミュレータを結合した物理補正された残留世界モデルである。 材料精製モジュールは、粒子ごとの弾性を視覚観測から推定し、物体特異的物理学においてシミュレータを接地する。 残差補正モジュール(Residual from Dynamics (RfD))は、誤差を学習し、シミュレータの内部ダイナミクスの補正を予測する。
  論文  参考訳（メタデータ） (2026-07-22T18:25:57Z)
• NeuROK: Generative 4D Neural Object Kinematics [35.76495786203886]
  我々は、オブジェクト中心の物理システムに対して、データ駆動キネマティックな状態パラメータ化を学習する。 大規模4Dデータセットを用いてトランスフォーマーベースのエンコーダデコーダモデルを学習する。
  論文  参考訳（メタデータ） (2026-05-28T17:59:53Z)
• 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)
• PhysAlign: Physics-Coherent Image-to-Video Generation through Feature and 3D Representation Alignment [23.066204478030627]
  ビデオモデル(VDM)は、動的なシーンや環境をシミュレートするための有望なアプローチを提供する。 既存のモデルは、しばしば基本的な物理的直観に反する時間的に一貫性のないコンテンツを生成する。 物理コヒーレントな画像対ビデオI(2V)生成のための効率的なフレームワークであるPhysAlignを提案する。
  論文  参考訳（メタデータ） (2026-03-14T05:44:18Z)
• MotionPhysics: Learnable Motion Distillation for Text-Guided Simulation [25.78198969054392]
  MotionPhysicsは、ユーザが提供する自然言語プロンプトから妥当な物理パラメータを推論するエンドツーエンドの微分可能なフレームワークである。 我々は30以上のシナリオでMotionPhysicsを評価し、実世界、人間設計、AIによって生成された3Dオブジェクトを含む。
  論文  参考訳（メタデータ） (2026-01-01T22:56:37Z)
• Physics3D: Learning Physical Properties of 3D Gaussians via Video Diffusion [35.71595369663293]
  ビデオ拡散モデルを用いて3Dオブジェクトの様々な物理的特性を学習する新しい手法である textbfPhysics3D を提案する。 本手法では,粘弾性材料モデルに基づく高一般化物理シミュレーションシステムを設計する。 弾性材料とプラスチック材料の両方を用いて, 本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-06T17:59:47Z)
• DreamPhysics: Learning Physics-Based 3D Dynamics with Video Diffusion Priors [75.83647027123119]
  本稿では,映像拡散前の物体の物理的特性を学習することを提案する。 次に,物理に基づくMaterial-Point-Methodシミュレータを用いて,現実的な動きを伴う4Dコンテンツを生成する。
  論文  参考訳（メタデータ） (2024-06-03T16:05:25Z)
• 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-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)
• Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
  インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。 我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。 我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
  論文  参考訳（メタデータ） (2020-01-16T06:27:59Z)

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。