論文の概要: Differentiable Mesh State Estimation via Factor Graph Inference for Deformable Object Reconstruction

• arxiv url: http://arxiv.org/abs/2609.16686v1
• Date: Tue, 15 Sep 2026 06:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.369904
• Title: Differentiable Mesh State Estimation via Factor Graph Inference for Deformable Object Reconstruction
• Title（参考訳）: 変形性物体再構成のための因子グラフ推論によるメッシュ状態の微分可能推定
• Abstract要約: 変形可能な物体の状態の推定は、ロボット工学とシミュレーションの基本的な課題である。 変形可能なオブジェクトの確率的メッシュ状態推定のための新しい因子グラフベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 35.217259059423775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating deformable object states remains a fundamental challenge in robotics and simulation. We propose a novel factor graph-based framework for probabilistic mesh state estimation of deformable objects. The method directly updates a tetrahedral mesh, a rich and physically-grounded representation of an environment, by combining physics priors, noisy sensor measurements, and temporal smoothness constraints within a unified probabilistic formulation. The estimation problem is posed as a nonlinear least-squares optimization and solved using Levenberg-Marquardt. Ex vivo central-airway obstruction experiments and simulations on deforming cube models demonstrate reliable and accurate reconstruction under both rigid motion and deformation, highlighting the potential of this probabilistic approach for principled, measurement-driven mesh state estimation in deformable object reconstruction.
• Abstract（参考訳）: 変形可能な物体の状態の推定は、ロボット工学とシミュレーションの基本的な課題である。 変形可能なオブジェクトの確率的メッシュ状態推定のための新しい因子グラフベースのフレームワークを提案する。 本手法は, 物理先行値, ノイズセンサ測定, 時間的スムーズ性制約を統一確率的定式化内で組み合わせることで, 四面体メッシュ, 環境の豊かで物理的に接地された表現を直接更新する。 推定問題は非線形最小二乗最適化として提案され、レバンス・マルカールトを用いて解かれる。 変形立方体モデルにおける生体内中央気道閉塞実験とシミュレーションにより, 剛体運動と変形の両方の下での信頼性と高精度な再構成が示され, 変形可能な物体再構成における, 原理的, 測定駆動のメッシュ状態推定に対するこの確率論的アプローチの可能性が浮き彫りにされた。

関連論文リスト

• 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)
• EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator [6.056458618771203]
  EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T06:49:58Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• 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)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Physics-informed Gaussian process model for Euler-Bernoulli beam elements [0.0]
  物理インフォームド機械学習モデルをEuler-Bernoulliビーム方程式を用いて定式化する。 このモデルは、構造物の曲げ剛性の分析値の回帰、応答の補間、潜在物理量に対する確率的推論に使うことができる。
  論文  参考訳（メタデータ） (2023-08-05T14:48:37Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)

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。