論文の概要: PhysMAS: Physics-Grounded Multi-Agent Synthesis of Compositional 4D Gaussians
- arxiv url: http://arxiv.org/abs/2609.07174v1
- Date: Mon, 07 Sep 2026 08:07:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.383991
- Title: PhysMAS: Physics-Grounded Multi-Agent Synthesis of Compositional 4D Gaussians
- Title（参考訳）: PhysMAS:組成4Dガウスの物理を取り巻くマルチエージェント合成
- Abstract要約: PhysMASは動的シーン生成のための物理地上マルチエージェントフレームワークである。
ソルバ認識スキルを起動し、IDとプロファイルを粒子ごとのMPMフィールドにバインドし、共有ドメインですべてのオブジェクトを実行する。
実行時間が少なくともセマンティックアライメントが向上し、物理的妥当性が向上する。
- 参考スコア（独自算出の注目度）: 34.993124532814186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient, fully automatic, and physically plausible 4D Gaussian synthesis is an important goal for dynamic scene generation. Recent physics-based methods couple 3D Gaussians with the Material Point Method (MPM) to generate physically driven motion, but extending this paradigm to heterogeneous multi-part objects and interacting multi-object scenes remains challenging. Object-level physical assignment collapses distinct parts into a single material state, while one-shot predictions from large language models, vision-language models, or agents neither reliably bind different materials to identified parts nor verify that the resulting MPM configuration is executable. Score Distillation Sampling (SDS)-based parameter optimization, meanwhile, requires repeated per-scene score evaluations and gradient backpropagation, incurring lengthy optimization and potentially yielding suboptimal or unstable solutions. We therefore present PhysMAS, a physics-grounded multi-agent framework. From a motion prompt and four scene views, an Object-Part Scene Agent establishes persistent identities and calls a Material Reasoning Agent for part-wise profiles. It invokes solver-aware skills to bind these identities and profiles to per-particle MPM fields and execute all objects in a shared domain; the framework then screens candidate forward-simulation results. This supports heterogeneous multi-part and interacting multi-object scenes without per-scene diffusion-score backpropagation. Extensive experiments demonstrate that, compared with recent physics-based 4D Gaussian baselines that rely on SDS, PhysMAS achieves better semantic alignment and perceived physical plausibility while requiring less runtime.
- Abstract（参考訳）: 効率よく、完全自動で、物理的に妥当な4Dガウス合成は、動的シーン生成の重要な目標である。
最近の物理に基づく手法では、物質点法(MPM)と3次元ガウス法を結合して物理駆動運動を生成するが、このパラダイムを異種多部オブジェクトに拡張し、多対象シーンを相互作用させることは依然として困難である。
一方、大きな言語モデル、視覚言語モデル、エージェントからのワンショット予測は、特定された部品に確実に異なる材料を結合せず、その結果のMPM構成が実行可能であることを検証する。
一方、スコア蒸留サンプリング(SDS)に基づくパラメータ最適化は、シーン毎のスコア評価と勾配のバックプロパゲーションを繰り返し、長大な最適化をもたらし、最適あるいは不安定な解を得る可能性がある。
したがって、物理学的なマルチエージェントフレームワークであるPhysMASを提案する。
モーションプロンプトと4つのシーンビューから、Object-Part Scene Agentは永続的なアイデンティティを確立し、部分的なプロファイルのためにMaterial Reasoning Agentを呼び出す。
これらのIDとプロファイルを粒子間MPMフィールドにバインドし、共有ドメインですべてのオブジェクトを実行する。
これはヘテロジニアスなマルチパートをサポートし、シーンごとの拡散スコアバックプロパゲーションを伴わないマルチオブジェクトシーンと相互作用する。
大規模な実験では、SDSに依存する最近の物理ベースの4Dガウス基底線と比較して、PhysMASはよりセマンティックなアライメントと、より少ない実行時間で知覚される物理的妥当性を実現する。
関連論文リスト
- VersaGauss: A Versatile Framework for Generating Multiphase Dynamics with 3D Gaussians [86.3300808181023]
VersaGaussは、生成、シミュレーション、レンダリングのための統一されたフレームワークである。
汎用物理学に基づく動的生成、特に多相相互作用をサポートする。
論文 参考訳（メタデータ） (2026-08-28T08:38:03Z) - PhysAgent: Reflective Agentic Physics Control for Physically Plausible Video Generation [68.13035350819901]
PhysAgentは物理プログラム生成、物理シミュレーション、ステージ固有の検証、ターゲットプログラム修復のループを閉じるフレームワークである。
我々のフレームワークは、より物理的に妥当なビデオを生成し、より優れたプロンプトアライメントを実現し、多様な物理的シナリオにわたってより効果的に一般化する。
論文 参考訳（メタデータ） (2026-07-17T08:55:09Z) - SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation [50.175987640001644]
テキストから動的に編集可能な4Dシーンを生成するマルチエージェントフレームワークであるSimWorldsを紹介する。
また,プロシージャのダイナミックな3Dシーンの視覚的忠実度と身体的整合性を評価するベンチマークである4DBuildBenchも導入した。
論文 参考訳（メタデータ） (2026-07-02T06:29:18Z) - PhysAgent: Automating Physics-Based 4D Synthesis via Trajectory-Grounded Multi-Agent Feedback [20.18865007569388]
PhysAgentは、自動で物理的に接地された4D合成のためのシミュレーター・イン・ザ・ループのマルチエージェントフレームワークである。
任意のマルチモーダルプロンプトから安定した多様な物理シーンを生成し、生成の多様性と物理的精度の両方において既存のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-06-07T15:42:56Z) - Resonance4D: Frequency-Domain Motion Supervision for Preset-Free Physical Parameter Learning in 4D Dynamic Physical Scene Simulation [53.141181758015186]
Resonance4Dは3次元ガウス散乱と物質点法を結合した物理駆動4次元動的シミュレーションフレームワークである。
我々の重要な洞察は、動的整合性は、相補的領域における共同的拘束運動によって、高密度時間発生なしに強制できるということである。
Resonance4Dは、ピークGPUメモリを35,GB以上から20GB程度に削減しつつ、強力な物理忠実性と運動の整合性を実現する。
論文 参考訳（メタデータ） (2026-04-02T13:00:22Z) - FastPhysGS: Accelerating Physics-based Dynamic 3DGS Simulation via Interior Completion and Adaptive Optimization [56.17833729527066]
我々は物理に基づく動的3DGSシミュレーションのためのフレームワークであるFastPhysGSを提案する。
FastPhysGSは、わずか7GBのランタイムメモリを使用して、1分で高忠実度物理シミュレーションを実現する。
論文 参考訳（メタデータ） (2026-02-02T07:00:42Z) - EMPM: Embodied MPM for Modeling and Simulation of Deformable Objects [19.905517730273232]
Embodied MPM (EMPM) は、微分可能な材料ポイント法(MPM)シミュレータ上に構築された変形可能なオブジェクトモデリングおよびシミュレーションフレームワークである。
マルチビューRGB-Dビデオから幾何学と外観を再構成し,MPM物理エンジンを用いて物体の挙動をシミュレートする。
さらに、感覚フィードバックを用いてMPMパラメータをオンラインで最適化し、適応的、堅牢で、物理に意識したオブジェクト表現を可能にします。
論文 参考訳（メタデータ） (2026-01-24T01:27:09Z) - Gaussian-Augmented Physics Simulation and System Identification with Complex Colliders [12.422333427023155]
本稿では,任意の形状の衝突子を用いた物理特性推定が可能な微分可能なMPMフレームワークAS-DiffMPMを提案する。
本手法は, 対象物体が複雑な剛体と相互作用できるように, 異種衝突処理機構を組み込むことにより, 既存手法を拡張した。
論文 参考訳（メタデータ） (2025-11-10T08:44:19Z) - PhysFlow: Unleashing the Potential of Multi-modal Foundation Models and Video Diffusion for 4D Dynamic Physical Scene Simulation [9.306758077479472]
PhysFlowは、マルチモーダル基礎モデルとビデオ拡散を利用して、強化された4次元ダイナミックシーンシミュレーションを実現する新しいアプローチである。
この統合フレームワークは、現実世界のシナリオにおける動的相互作用の正確な予測と現実的なシミュレーションを可能にする。
論文 参考訳（メタデータ） (2024-11-21T18:55:23Z) - Efficient Physics Simulation for 3D Scenes via MLLM-Guided Gaussian Splatting [32.846428862045634]
Sim Anythingは、静的な3Dオブジェクトにインタラクティブなダイナミクスを与える物理ベースのアプローチである。
人間の視覚的推論に触発されて,MLLMに基づく物理特性知覚を提案する。
また、物理幾何学的適応サンプリングを用いて粒子をサンプリングして、オープンワールドシーンでオブジェクトをシミュレートする。
論文 参考訳（メタデータ） (2024-11-19T12:52:21Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。