論文の概要: ODeform: Learning Continuous 4D Motion for Shape Deformation with Neural ODEs
- arxiv url: http://arxiv.org/abs/2607.20670v1
- Date: Wed, 22 Jul 2026 19:08:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.194995
- Title: ODeform: Learning Continuous 4D Motion for Shape Deformation with Neural ODEs
- Title（参考訳）: ODeform: ニューラルネットワークによる形状変形のための連続4次元運動学習
- Abstract要約: 本稿では、3次元空間における変形可能な物体の連続4次元ダイナミクスに対するニューラル正規微分方程式の新たな拡張であるODeformを提案する。
本手法は3次元点雲と物理的条件(材料特性など)を統一潜在空間に変換する。
得られた通常の微分方程式を時間とともに解くことにより、この学習された埋め込み内での連続的な流れとして変形をモデル化し、計算効率を維持しながら離散的な時間ステップを不要にする。
- 参考スコア（独自算出の注目度）: 21.51657616248173
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Modeling continuous object deformation is important for many computer vision and robotics tasks, such as manipulation and simulation. Existing approaches rely on learning-based methods or physics simulators to model shape deformations. However, these approaches either use discrete time steps or are too computationally intensive for real-time applications. We present ODeform, a novel extension of Neural Ordinary Differential Equations to continuous 4D dynamics of deformable objects in 3D space. Our method transforms 3D point clouds and physical conditions (like material properties) into a unified latent space. By solving the resulting ordinary differential equations over time, we model deformations as continuous flows within this learned embedding, eliminating the need for discrete time steps while maintaining computational efficiency. We evaluate our approach on unseen physical parameter configurations, showing improved motion prediction accuracy over baseline methods. Our experiments further demonstrate a successful transfer to real 3D captured objects with novel shapes, along with effective interpolation and extrapolation of the learned dynamics. Our code and data will be made publicly available.
- Abstract（参考訳）: 連続物体の変形をモデル化することは、操作やシミュレーションといった多くのコンピュータビジョンやロボットのタスクにとって重要である。
既存のアプローチは、形状変形をモデル化するための学習ベースの方法や物理シミュレータに依存している。
しかし、これらのアプローチは離散時間ステップを使うか、リアルタイムアプリケーションには計算集約的すぎるかのいずれかである。
本稿では、3次元空間における変形可能な物体の連続4次元ダイナミクスに対するニューラル正規微分方程式の新たな拡張であるODeformを提案する。
本手法は3次元点雲と物理的条件(材料特性など)を統一潜在空間に変換する。
得られた通常の微分方程式を時間とともに解くことにより、この学習された埋め込み内での連続的な流れとして変形をモデル化し、計算効率を維持しながら離散的な時間ステップを不要にする。
提案手法は, ベースライン法よりも動作予測精度が向上し, 未確認な物理パラメータ構成に対するアプローチを評価する。
さらに,本実験では,新しい形状の3次元撮影物体への移動と,学習力学の効果的な補間と外挿に成功した。
私たちのコードとデータは公開されます。
関連論文リスト
- PhysiFormer: Learning to Simulate Mechanics in World Space [56.16644631495]
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。
論文 参考訳（メタデータ） (2026-06-25T17:59:00Z) - Learning Neural Deformation Representation for 4D Dynamic Shape Generation [18.39851711911021]
生成品質と効率の両方に重点を置いた4次元動的形状の生成に重点を置いている。
そこで我々は,新しいニューラル変形表現を提案し,それを条件付きニューラル符号距離場と組み合わせて4次元表現アーキテクチャを設計する。
提案した変形表現は, 既存の4次元表現の変形モジュールに対して, スキンウェイトおよび複数部分の剛性変換を予測して機能する。
論文 参考訳（メタデータ） (2026-05-31T05:25:11Z) - 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) - D-Garment: Physics-Conditioned Latent Diffusion for Dynamic Garment Deformations [9.991827725035373]
ガーメントダイナミクスは、着用者の体形や動きを含む物理的な入力や布材の特徴に依存する、しわパターンのような幾何学的詳細に影響を及ぼす。
本稿では,物理に基づくシミュレータで生成されたデータに基づいて学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-04T14:18:06Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。
異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。
本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
論文 参考訳（メタデータ） (2023-04-17T13:49:04Z) - SNUG: Self-Supervised Neural Dynamic Garments [14.83072352654608]
本研究では,パラメトリックな人体が着る衣服の動的3次元変形を自己指導的に学習する手法を提案する。
これにより、動的変形や細かいしわを含むインタラクティブな衣服のモデルを、トレーニング時間に2桁の速度で学習することができる。
論文 参考訳（メタデータ） (2022-04-05T13:50:21Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z) - ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object
Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。
ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。
我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文 参考訳（メタデータ） (2022-03-14T04:56:55Z) - Identity-Disentangled Neural Deformation Model for Dynamic Meshes [8.826835863410109]
我々は、暗黙の神経機能を用いたポーズ依存的な変形から、同一性によって引き起こされる形状変化を歪曲する神経変形モデルを学ぶ。
本稿では,大域的ポーズアライメントとニューラル変形モデルを統合する2つの手法を提案する。
また, 固定テンプレートの制約を伴わずにヤシの印刷や腱などの表面の細部を再構築する際に, 従来の骨格駆動モデルよりも優れていた。
論文 参考訳（メタデータ） (2021-09-30T17:43:06Z) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳（メタデータ） (2021-04-06T16:32:01Z) - 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。