論文の概要: BendTwin: Robust Dense-to-Sparse Physical Reconstruction with Bending-Aware Differentiable Spring-Mass Models
- arxiv url: http://arxiv.org/abs/2608.06164v1
- Date: Thu, 06 Aug 2026 15:32:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.943535
- Title: BendTwin: Robust Dense-to-Sparse Physical Reconstruction with Bending-Aware Differentiable Spring-Mass Models
- Title（参考訳）: BendTwin: 曲げ認識可能なスプリングマスモデルを用いたロバストDense-to-Sparse物理再構成
- Abstract要約: 我々は、ビデオベース再構成のための曲げ認識可能な微分可能なスプリング・マス・フレームワークであるBendTwinを紹介し、変形可能な物体の今後の予測について述べる。
BendTwinは、曲げ剛性を導入し、局所的な表面三重項を減衰させ、静止角からの偏差を罰し、高次変形を規則化する。
- 参考スコア（独自算出の注目度）: 13.005715978995406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing objects with mechanical properties from video observations enables physically consistent dynamic prediction, benefiting robotics planning and interaction. Existing spring--mass based physical driven reconstruction approaches offer efficient and differentiable physical reconstruction, but they typically rely on axial springs alone. Such formulations oversimplify the underlying structural mechanics and can become mechanically under-constrained when the physical graph is coarsened, limiting their ability to preserve stable local deformation. We present BendTwin, a bending-aware differentiable spring--mass framework for video-based reconstruction and future prediction of deformable objects. BendTwin introduces bending stiffness and damping over local surface triplets, penalizing deviations from rest angles and regularizing higher-order deformation. These bending constraints improve mechanical stability while preserving the simplicity of spring--mass system. Experiments show that BendTwin consistently outperforms the axial-only PhysTwin baseline. Ablation studies further demonstrate that the bending constraints maintain system stability across different downsampling ratios and consistently improve upon the original PhysTwin formulation. Overall, BendTwin provides an effective approach for constructing mechanically faithful digital twins from sparse-view RGB-D videos.
- Abstract（参考訳）: ビデオ観察から機械的特性を持つ物体を再構成することで、物理的に一貫した動的予測が可能となり、ロボット工学の計画と相互作用の恩恵を受ける。
既存のバネベースの物理駆動型再構築アプローチは、効率的で微分可能な物理的再構成を提供するが、通常は軸方向のバネのみに依存する。
このような定式化は、基盤となる構造力学を単純化し、物理グラフが粗くなったら機械的に過度に拘束され、安定した局所的な変形を維持する能力に制限を与える。
我々は、ビデオベース再構成のための曲げ認識可能な微分可能なスプリング・マス・フレームワークであるBendTwinを紹介し、変形可能な物体の今後の予測について述べる。
BendTwinは、曲げ剛性を導入し、局所的な表面三重項を減衰させ、静止角からの偏差を罰し、高次変形を規則化する。
これらの曲げ制約は、バネ質量系の単純性を保ちながら機械的安定性を向上させる。
実験の結果、BendTwinは軸方向のみのPhysTwinベースラインよりも一貫して優れていた。
アブレーション研究は、曲げ制約が異なるダウンサンプリング比をまたいだシステムの安定性を維持し、元のPhysTwinの定式化を一貫して改善していることをさらに示している。
BendTwinは、スパースビューのRGB-Dビデオから機械的に忠実なデジタルツインを構築するための効果的なアプローチを提供する。
関連論文リスト
- Relaxation-Aware Multimodal Sensing of Soft Gripper Driven by Structure-Perception-Learning [4.3068545796037325]
軟質高分子の固有粘弾性は, 保持時の応力緩和と保持力の連続減衰を引き起こす。
本稿では,人間の把握にインスパイアされた構造認識学習フレームワークを提案する。
我々は,車載型視覚と赤外線サーモグラフィを用いて,変形と温度場をリアルタイムで追跡する可変剛性軟グリップを開発した。
論文 参考訳（メタデータ） (2026-08-27T05:19:02Z) - Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures [33.52984112921709]
テンセグリティ・フォームフィニングと物理特性予測は構造力学における基本的な逆問題である。
本稿では, クラスター型引張形探索と物理特性予測のためのエネルギーベース学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-14T15:32:54Z) - 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) - A Reduced Order Model for Emergent Mechanics in Woven Systems [0.098314893665023]
織物構造は、異方性剛性、せん断誘起ロック、クランプ交換など、豊富な機械的挙動を示す。
既存のモデルはこれらの相互作用を均質化するか、禁忌な計算コストで解決する。
ノードのシステムを通して、個々のウィーバー相互作用を表現することで、このギャップを橋渡しする低次モデルを導入する。
論文 参考訳（メタデータ） (2026-06-22T17:43:45Z) - Rollback-Free Stable Brick Structures Generation [51.856925926010184]
既存のアプローチでは、リジェクションサンプリングとブロック・バイ・ブロックのロールバックを行うために、推論中に外部物理シミュレータに依存している。
本稿では,身体的妥当性をテスト時間補正からトレーニング時間ポリシー最適化にシフトさせる強化学習パラダイムを提案する。
実験結果から,提案手法は予測速度を桁違いに向上させつつ,最先端の生成品質を実現することを示す。
論文 参考訳（メタデータ） (2026-05-07T21:06:44Z) - Detecting Deepfakes via Hamiltonian Dynamics [58.881686693914446]
本稿では,静的パターン認識から動的安定性解析へ移行するディープフェイク検出の新しい視点を提案する。
私たちのアプローチは、物理学にインスパイアされた先駆者によって動機付けられています。
Hamiltonian Action Anomaly Detection (HAAD) は、最先端のベースラインの評価に優れる。
論文 参考訳（メタデータ） (2026-05-06T01:55:38Z) - 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) - PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery [8.428762763310232]
雑音の多いポーズ列を物理的に可視な手の動きに洗練する物理認識型条件拡散フレームワークを提案する。
メッシュCNN-Transformerのバックボーン上に構築したEuler-Lagrangeのダイナミックスを手話の手話で定式化する。
本手法では,物理の整合性を測定し,解釈可能な分散写像を提供する。
論文 参考訳（メタデータ） (2026-03-27T04:39:21Z) - PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping [4.854753036255255]
伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。
本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。
この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
論文 参考訳（メタデータ） (2026-02-08T15:46:01Z) - 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) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z)
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。