論文の概要: PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling
- arxiv url: http://arxiv.org/abs/2609.07532v1
- Date: Mon, 07 Sep 2026 14:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 00:02:55.172815
- Title: PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling
- Title（参考訳）: PhysReal:ハイブリッド構成モデリングによる実世界の変形可能な物体物理の学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.56145247266043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning physically plausible dynamics from visual observations is essential for interactive world models and embodied agents. However, modeling real-world deformable objects remains challenging because their dynamics often arise from complex, spatially heterogeneous material responses. To address this challenge, we propose PhysReal, a video-driven framework for learning and simulating the underlying physics of real deformable objects. PhysReal integrates a spatially varying hybrid expert-neural constitutive model with a differentiable MPM simulator and 3DGS renderer. Analytical expert models provide interpretable physical priors, while neural constitutive residuals capture material responses beyond predefined formulations. Spatially distributed patches parameterize the constitutive field, enabling a continuous representation of local material variations. To organize the identification of this model from sparse visual observations, we adopt a progressive curriculum that sequentially optimizes global material properties, spatially varying local parameters, and neural constitutive residuals, together with complementary motion and mask supervision. Extensive experiments on diverse deformable-object interactions demonstrate that PhysReal achieves superior performance in dynamic reconstruction and future-state prediction, while showing strong potential for downstream robotic applications.
- Abstract（参考訳）: 視覚的観察から物理的にもっともらしいダイナミクスを学ぶことは、インタラクティブな世界モデルやエンボディエージェントにとって不可欠である。
しかし、実世界の変形可能な物体のモデリングは、しばしば複雑で空間的に不均一な物質応答から生じるため、依然として困難なままである。
この課題に対処するために、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フレームワークであるPhysRealを提案する。
PhysRealは、空間的に変化する専門家-神経構成モデルと、微分可能なMPMシミュレータと3DGSレンダラーを統合している。
分析専門家モデルは解釈可能な物理的先行情報を提供するが、神経構成的残留物は事前に定義された定式化を超えて物質応答をキャプチャする。
空間的に分散されたパッチは構成体をパラメータ化し、局所的な物質変化の連続的な表現を可能にする。
本研究では, このモデルと疎視的視界の識別を整理するために, 大域的な物質特性, 空間的に変化する局所パラメータ, ニューラル構成残差を逐次最適化する漸進的カリキュラムを, 相補的な動きとマスクの監督とともに採用する。
多様な変形可能なオブジェクト相互作用に関する広範囲な実験により、PhysRealは動的再構成と将来の状態予測において優れた性能を達成し、下流ロボット応用の強い可能性を示している。
関連論文リスト
- Analytic Dynamics: Learning Physics-Grounded Representation for Fast Intrinsic Dynamics Inference from Monocular Videos [2.5608298830470013]
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。
論文 参考訳（メタデータ） (2026-08-31T16:08:04Z) - PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics [6.7982839614843575]
PhysCoReは、2つのフィードフォワードニューラルネットワークと微分可能なMaterial Point Methodシミュレータを結合した物理補正された残留世界モデルである。
材料精製モジュールは、粒子ごとの弾性を視覚観測から推定し、物体特異的物理学においてシミュレータを接地する。
残差補正モジュール(Residual from Dynamics (RfD))は、誤差を学習し、シミュレータの内部ダイナミクスの補正を予測する。
論文 参考訳（メタデータ） (2026-07-22T18:25:57Z) - 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) - 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) - PhysWorld: From Real Videos to World Models of Deformable Objects via Physics-Aware Demonstration Synthesis [52.905353023326306]
物理的に妥当で多様な実演を合成し、効率的な世界モデルを学ぶためのフレームワークであるPhysWorldを提案する。
実験により、PhysWorldは、最新の最先端手法、すなわちPhysTwinよりも47倍高速な推論速度を実現しつつ、競争性能を持つことが示された。
論文 参考訳（メタデータ） (2025-10-24T13:25:39Z) - 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) - PhysTwin: Physics-Informed Reconstruction and Simulation of Deformable Objects from Videos [21.441062722848265]
PhysTwinは、対話中の動的オブジェクトのスパースビデオを使用して、写真と物理的にリアルでリアルタイムなインタラクティブなレプリカを生成する新しいフレームワークである。
提案手法は,(1)現実的な物理シミュレーションのためにバネ質量モデルを組み合わせた物理インフォームド表現,および幾何学のための生成形状モデル,およびレンダリングのためのガウススプラットである。
本手法は,視覚的知覚の手がかりと逆物理の枠組みを統合し,部分的,隠蔽的,限定的な視点からでも高忠実度復元を可能にする。
論文 参考訳（メタデータ） (2025-03-23T07:49:19Z) - 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。