論文の概要: Analytic Dynamics: Learning Physics-Grounded Representation for Fast Intrinsic Dynamics Inference from Monocular Videos

• arxiv url: http://arxiv.org/abs/2608.31025v1
• Date: Mon, 31 Aug 2026 16:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.49899
• Title: Analytic Dynamics: Learning Physics-Grounded Representation for Fast Intrinsic Dynamics Inference from Monocular Videos
• Title（参考訳）: 解析ダイナミクス:単眼ビデオからの高速固有ダイナミクス推論のための物理領域表現の学習
• Abstract要約: 視覚的観察から物体力学を推定することは、知的エージェントが物理的世界について推論し、相互作用することが不可欠である。 本稿では,中間物理基底の動的表現を導入したフィードフォワード動的推論フレームワークであるAnalytic Dynamicsを提案する。
• 参考スコア（独自算出の注目度）: 2.5608298830470013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring object dynamics from visual observations is essential for intelligent agents to reason about and interact with the physical world, yet remains challenging due to the fundamental gap between visual evidence and intrinsic dynamics. Existing methods either rely on costly per-scene optimization, limiting efficiency and scalability, or directly map visual evidence to intrinsic dynamics without intermediate physical abstractions, making them prone to appearance and geometry shortcuts. To bridge this gap, we propose Analytic Dynamics, a feed-forward dynamics inference framework that introduces an intermediate physics-grounded dynamics representation between visual observations and intrinsic dynamics. Specifically, we leverage privileged physical states, including position, displacement, and deformation gradient fields, which are available in simulation, to learn a structured dynamics representation that is difficult to discover from visual observations alone. By aligning visual representations with this space, we equip visual models with a physics-grounded inductive bias, guiding them to capture dynamics-relevant patterns for material model classification and parameter regression. To facilitate this research, we develop a dynamics data generation pipeline and benchmark containing paired physical state trajectories, rendered videos, and ground-truth material models and parameters. Extensive experiments demonstrate that Analytic Dynamics achieves efficient, accurate, and generalizable dynamics inference from monocular videos.
• Abstract（参考訳）: 視覚的観察から物体力学を推定することは、知的エージェントが物理的世界について推論し、相互作用することが不可欠であるが、視覚的エビデンスと本質的なダイナミックスの間には根本的なギャップがあるため、依然として困難である。 既存の手法は、コストのかかるシーンごとの最適化、効率とスケーラビリティの制限、あるいは視覚的証拠を中間的な物理的抽象を伴わずに本質的な力学に直接マッピングすることで、外観や幾何学的ショートカットが難しくなる。 このギャップを埋めるため,視覚と内在力学の中間的な物理基底ダイナミクス表現を導入したフィードフォワード力学推論フレームワークであるAnalytic Dynamicsを提案する。 具体的には、シミュレーションで利用可能な位置、変位、変形勾配場を含む特権状態を利用して、視覚観察だけでは見つからない構造化された動的表現を学習する。 この空間に視覚的表現を整合させることにより、物理基底の帰納的バイアスを伴い、物質モデル分類とパラメータ回帰のための動的関連パターンを捉える。 本研究では,2つの物理状態軌跡,レンダリングビデオ,地中物質モデルとパラメータを含む動的データ生成パイプラインとベンチマークを開発する。 大規模な実験により、分析ダイナミクスは単眼ビデオから効率よく、正確で、一般化可能なダイナミクス推論を実現することが示された。

関連論文リスト

• PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling [22.56145247266043]
  本稿では,実際の変形可能な物体の物理を学習し,シミュレーションするためのビデオ駆動型フレームワークを提案する。 PhysRealは空間的変化の異なるMPMシミュレータと3DGSを組み込んだハイブリッド・エキスパート・ニューラルモデルである。 多様な変形可能なオブジェクト相互作用の実験により、PhysRealは動的再構成および将来の状態予測において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-07T14:11:57Z)
• Self-Supervised Learning of Structured Dynamics from Videos [76.23834498074805]
  予め訓練した画像ビジョン変換器の凍結した特徴から、構造化された動き表現を復元できるかどうかを検討する。 本研究では、時間変化の主源を残留力学から明確に分離する構造ダイナミクスモデル(SDM)を提案する。 ProbeMotionのSDMは、カメラモーション、オブジェクトモーション、複合ダイナミクスを備えた合成ビデオと実ビデオにまたがる新しい評価スイートである。
  論文  参考訳（メタデータ） (2026-07-23T17:55:07Z)
• CausalGS: Learning Physical Causality of 3D Dynamic Scenes with Gaussian Representations [0.3580891736370874]
  CausalGSは、複雑なダイナミックな3Dシーンの因果ダイナミクスをマルチビュービデオから学習するフレームワークである。 我々の研究は、人間のアノテーションがなければ、モデルは複数の物理的性質の間の複雑な相互作用を学習できることを示している。
  論文  参考訳（メタデータ） (2026-05-11T13:59:01Z)
• DeformMaster: An Interactive Physics-Neural World Model for Deformable Objects from Videos [13.695348404320475]
  DeformMasterは、ビデオから導出されるインタラクティブな物理-ニューラルネットワークの世界モデルで、実際の対話ビデオから変形可能なオブジェクトのオンラインモデルに変換する。 実世界の変形可能なオブジェクトシーケンスの実験は、DeformMasterが将来のダイナミクスをロールアウトし、動的外観をレンダリングする能力を示している。
  論文  参考訳（メタデータ） (2026-05-10T14:55:54Z)
• 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)
• ProPhy: Progressive Physical Alignment for Dynamic World Simulation [55.456455952212416]
  ProPhyは、明示的な物理認識条件付けと異方性生成を可能にするプログレッシブ物理アライメントフレームワークである。 ProPhyは既存の最先端手法よりもリアルでダイナミックで物理的に一貫性のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-12-05T09:39:26Z)
• Inferring Dynamic Physical Properties from Video Foundation Models [94.35979242947873]
  ビデオから動的物理特性を予測するタスクについて検討する。 時間的情報を必要とする物理的特性として,バウンディング物体の弾性,流動液体の粘度,表面を滑り落ちる物体の動的摩擦について考察する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:50Z)
• PhysGaia: A Physics-Aware Dataset of Multi-Body Interactions for Dynamic Novel View Synthesis [62.283499219361595]
  PhysGaiaは動的ノベルビュー合成(DyNVS)のために設計された物理対応のデータセットである。 私たちのデータセットは、複数のオブジェクト間のリッチな相互作用を伴う複雑な動的シナリオを提供します。 PhysGaiaは、動的ビュー合成、物理に基づくシーン理解、および物理シミュレーションと統合されたディープラーニングモデルの研究を著しく前進させる。
  論文  参考訳（メタデータ） (2025-06-03T12:19:18Z)
• InterDyn: Controllable Interactive Dynamics with Video Diffusion Models [50.38647583839384]
  我々は、初期フレームと駆動対象またはアクターの動作を符号化する制御信号が与えられたインタラクティブな動画像を生成するフレームワークであるInterDynを提案する。 我々の重要な洞察は、大規模なビデオ生成モデルは、大規模ビデオデータからインタラクティブなダイナミクスを学習し、ニューラルと暗黙の物理シミュレーターの両方として機能できるということです。
  論文  参考訳（メタデータ） (2024-12-16T13:57:02Z)
• OCK: Unsupervised Dynamic Video Prediction with Object-Centric Kinematics [22.119612406160073]
  我々は,オブジェクト中心キネマティクスとオブジェクトスロットを利用した動的ビデオ予測モデルOCKを提案する。 本稿では,対象運動を明示する新しいコンポーネントであるObject Kinematicsを紹介する。 複雑なオブジェクト属性と動きを持つ複雑なシーンにおいて,本モデルは優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-29T04:47:23Z)
• HyperDynamics: Meta-Learning Object and Agent Dynamics with Hypernetworks [18.892883695539002]
  HyperDynamicsは、ニューラルネットワークモデルのパラメータを生成する動的メタ学習フレームワークである。 高次元の視覚観察でダイナミクスを学習することで、環境の変化に適応する既存のモデルを上回る性能を発揮します。 本手法は,個別に訓練された専門家の演奏に合致すると同時に,テスト時に未知の環境変動に対して十分に一般化できることを示す。
  論文  参考訳（メタデータ） (2021-03-17T04:48:43Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。