論文の概要: NewtonGS: Physics-Structured Object-Level Neural Newtonian Dynamics for Gaussian Scene Animation
- arxiv url: http://arxiv.org/abs/2608.07598v1
- Date: Thu, 06 Aug 2026 09:41:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.453892
- Title: NewtonGS: Physics-Structured Object-Level Neural Newtonian Dynamics for Gaussian Scene Animation
- Title（参考訳）: NewtonGS:Gaussian Scene Animationのための物理構造を持つオブジェクトレベルニューラルニュートンダイナミクス
- Authors: Lianlei Shan, Feiyang Ye, Yan Chen, Yong Wu,
- Abstract要約: 本稿では,オブジェクトレベルの状態ロールアウトとガウスシーンアニメーションのための物理構造化フレームワークであるNewtonGSを紹介する。
NewtonGSは、22次元の状態で、ポーズ、線形および角速度、異方性スケール、その速度、質量、接触特性をカバーしている。
- 参考スコア（独自算出の注目度）: 14.865788530784869
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Animating objects in a static 3D Gaussian scene requires an explicit object-level dynamic state and a controllable model of object motion. Existing dynamic Gaussian methods primarily reconstruct time-varying scenes or simulate deformation, rather than provide compact object states for direct control. To address this gap, we present NewtonGS, a physics-structured framework for object-level state rollout and Gaussian scene animation. NewtonGS represents each object with a 22-dimensional state covering pose, linear and angular velocity, anisotropic scale and its rate, mass, and contact properties. Its Gaussian Neural Newtonian Dynamics (Gaussian-NND) model combines analytic translation, quaternion kinematics, gravity, damping, and scale-restoration dynamics with learned continuous and contact residuals. A discrete event map handles floor contact. Predicted poses and scales define a shared affine transformation that updates the means and covariances of all Gaussians associated with each object. We construct two procedurally generated datasets: State-32 for state-rollout evaluation and Gaussian-32 for state-to-Gaussian transformation. On both the in-distribution and velocity-range-shift splits of State-32, NewtonGS achieves lower trajectory RMSE, final displacement error, and velocity RMSE than five analytic baselines. Experiments on Gaussian-32 further demonstrate effective conversion from predicted states to animated Gaussian objects.
- Abstract（参考訳）: 静的な3次元ガウスシーンでオブジェクトをアニメーションするには、明示的なオブジェクトレベルの動的状態と、オブジェクトの動きの制御可能なモデルが必要である。
既存の動的ガウス法は主に、直接制御のためのコンパクトなオブジェクト状態を提供するのではなく、時間変化のあるシーンを再構成したり、変形をシミュレートする。
このギャップに対処するためにNewtonGSは、オブジェクトレベルの状態ロールアウトとガウスシーンアニメーションのための物理構造を持つフレームワークである。
NewtonGSは、22次元の状態で、ポーズ、線形および角速度、異方性スケール、その速度、質量、接触特性をカバーしている。
ガウスニューラルニュートン力学(Gaussian Neural Newtonian Dynamics, Gaussian-NND)モデルは、解析翻訳、四元数運動学、重力、減衰、スケール復元力学と、学習された連続的および接触的残留物を組み合わせたモデルである。
離散イベントマップはフロアコンタクトを処理する。
予測されたポーズとスケールは、各対象に関連付けられたすべてのガウスの手段と共分散を更新する共有アフィン変換を定義する。
我々は,状態ロールアウト評価のための State-32 と状態-ガウス変換のための Gaussian-32 という,手続き的に生成された2つのデータセットを構築した。
状態32の分布内および速度レンジシフトの分割において、NewtonGSは5つの解析ベースラインよりも低軌道RMSE、最終変位誤差、速度RMSEを達成する。
ガウス-32の実験は、予測状態からアニメーションガウス対象への効果的な変換をさらに証明している。
関連論文リスト
- GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。
高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文 参考訳（メタデータ） (2026-07-23T15:52:35Z) - 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) - PersistGS: Differentiable Physics for Object Permanence in 4D Gaussian Splatting [11.523616541218878]
動的3次元ガウス散乱(3DGS)法は,光度監督を用いた同期マルチカメラ映像から時間変化シーンを再構成する。
本稿では,3次元ガウス散乱と微分可能剛体シミュレーションを結合させることにより,閉塞時の物体の永続性を復元する手法であるtextbfPersistGS$を提案する。
合成シーンの実験では、PersistGS は +2.46dB PSNR で一定の速度外挿性能を発揮し、地上軌道上界の 0.19dB 以内である。
論文 参考訳（メタデータ） (2026-06-02T10:57:15Z) - Learning Action-Conditional and Object-Centric Gaussian Splatting World Models for Rigid Objects [4.870609209341298]
我々は3次元の剛体物体の動作条件力学を学習する新しいモデルを開発した。
シミュレーションにおける非包括的操作のためのモデル予測制御におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2026-06-01T09:12:07Z) - Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。
Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-05-27T15:09:55Z) - 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) - GASP: Gaussian Splatting for Physic-Based Simulations [3.377471081417809]
物理シミュレーションは実世界の様々な応用における3Dシーンのモデリングと利用において最重要である。
既存のモデルでは、三角形や四面体メッシュ、マーチングキューブ、ケージメッシュなどのメッシュ機構が追加されている。
あるいは、3次元ガウス成分と整合するように、物理基底のニュートン力学を修正できる。
我々のGS for Physics-Based Simulations (GASP) パイプラインはパラメタライズされた平坦なガウス分布を用いる。
論文 参考訳（メタデータ） (2024-09-09T17:28:57Z) - GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。
物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。
本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。
抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
論文 参考訳（メタデータ） (2024-06-21T07:37:17Z)
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。