論文の概要: FracGen: Learning How Objects Stretch and Tear with Physics-Informed Video Generation
- arxiv url: http://arxiv.org/abs/2609.38152v1
- Date: Tue, 29 Sep 2026 17:58:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.824114
- Title: FracGen: Learning How Objects Stretch and Tear with Physics-Informed Video Generation
- Title（参考訳）: FracGen:物理インフォームドビデオ生成によるオブジェクトのストレッチとテアリングの学習
- Abstract要約: FracGenは、無傷物体の単一画像から制御可能な破壊力学を生成する、骨折対応のビデオ生成モデルである。
FracSimは,材料点法(MPM)を連続的損傷モデルで拡張し,一対のフラクチャービデオと高密度の画素対応物理場を標準レンダリングを超えるコストで生成する,フラクチャー対応のシミュレーションフレームワークである。
- 参考スコア（独自算出の注目度）: 9.62458466159199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce FracGen, a fracture-aware video generation model that produces plausible, controllable fracture dynamics from a single image of an intact object, conditioned on physics signals. To train FracGen, we build FracSim, a fracture-aware simulation framework that augments material point method (MPM) simulation with a continuum damage model, producing paired fracture videos and dense, pixel-aligned physical fields at no additional cost beyond standard rendering. FracGen leverages these maps in two ways: it is trained to jointly predict them alongside RGB video, encouraging the model to capture physical state rather than surface appearance; and it is supervised with physics-informed losses that encourage consistency among the predicted maps. As a result, FracGen captures distinct material-specific fracture behavior without expensive test-time simulation or per-scene tuning, while offering fine-grained control over where an object tears, how fast the crack propagates, and how much deformation precedes failure. We further introduce a benchmark for evaluating the physical plausibility of generated fracture video, and show through extensive experiments that FracGen outperforms existing video generation baselines in both physical and visual fidelity. Results are best viewed in our project website: https://fracgen.github.io/.
- Abstract（参考訳）: FracGenは、物理信号に基づいて、無傷物体の単一画像から可塑性かつ制御可能な破壊ダイナミクスを生成できる、フラクチャー対応ビデオ生成モデルである。
FracGenをトレーニングするために、FracSimという、材料点法(MPM)を連続的損傷モデルで拡張するフラクチャー・アウェア・シミュレーション・フレームワークを構築した。
FracGenは、これらのマップを2つの方法で活用している:RGBビデオと共にそれらを共同で予測し、表面的な外観よりも物理的な状態を捉えることを奨励する。
その結果、FracGenは、高価なテストタイムシミュレーションやシーン毎のチューニングなしで、異なる材料固有の破壊挙動をキャプチャし、オブジェクトが裂ける場所、ひび割れの伝播速度、変形の程度を細かく制御する。
さらに、生成したフラクチャービデオの物理的妥当性を評価するためのベンチマークを導入し、FracGenが既存のビデオ生成ベースラインを物理的および視覚的忠実性の両方で上回っていることを示す。
結果は、プロジェクトのWebサイト(https://fracgen.github.io/)で最もよく見られます。
関連論文リスト
- One Video, One World: Turning Monocular Video into Physical 4D Scenes [27.429882736058904]
OVOWは、単一のモノクロビデオから、インテナンスレベルでシミュレーション可能な4Dメッシュシーンを再構築する。
我々は,視覚的忠実度を超えた幾何的正しさ,インスタンス分離,物理的妥当性を指標として,エンファン構造化ビデオから4次元評価のための最初のベンチマークを確立した。
OVOWは、すべてのベースラインの中で最高のレイアウトと幾何学的精度、および最も低い測光的および意味的誤差を達成する。
論文 参考訳（メタデータ） (2026-06-30T09:16:21Z) - 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) - Physical Simulator In-the-Loop Video Generation [96.87054314612142]
Physical Simulator In-the-loop Video Generation (PSIVG)は、物理シミュレータをビデオ拡散プロセスに統合する新しいフレームワークである。
PSIVGは、視覚的品質と多様性を保ちながら、現実世界の物理に忠実なビデオを制作する。
論文 参考訳（メタデータ） (2026-03-06T15:48:25Z) - UniE2F: A Unified Diffusion Framework for Event-to-Frame Reconstruction with Video Foundation Models [67.24086328473437]
イベントカメラは絶対強度よりも相対強度の変化を記録できる。
結果として得られたデータストリームは、空間情報と静的テクスチャの詳細が著しく失われることに悩まされる。
本稿では、事前学習したビデオ拡散モデルを用いて、スパースイベントデータから高忠実度ビデオフレームを再構成することで、この制限に対処する。
論文 参考訳（メタデータ） (2026-02-22T14:06:49Z) - AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。
我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
論文 参考訳（メタデータ） (2026-02-04T15:42:58Z) - PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。
本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。
このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
論文 参考訳（メタデータ） (2026-01-16T08:40:10Z) - Think Before You Diffuse: Infusing Physical Rules into Video Diffusion [55.046699347579455]
実世界の動き、相互作用、ダイナミクスの複雑さは、データから物理を学ぶ際に大きな困難をもたらす。
DiffPhyは、トレーニング済みの動画拡散モデルを微調整することで、物理的に正確でリアルな映像生成を可能にする汎用的なフレームワークである。
論文 参考訳（メタデータ） (2025-05-27T18:26:43Z) - VideoPhy-2: A Challenging Action-Centric Physical Commonsense Evaluation in Video Generation [66.58048825989239]
VideoPhy-2は、生成されたビデオの物理的常識を評価するアクション中心のデータセットである。
我々は、生成したビデオのセマンティック・アテンデンス、物理コモンセンス、および物理ルールのグラウンド化を評価する人間の評価を行う。
結果より,最高のモデルでも22%のジョイントパフォーマンスを達成できたことが示唆された。
論文 参考訳（メタデータ） (2025-03-09T22:49:12Z) - DeepFracture: A Generative Approach for Predicting Brittle Fractures with Neural Discrete Representation Learning [2.3421955132793166]
本稿では,実行時の衝突動力学に基づくフラクチャー形状予測のための新しい学習手法を提案する。
本手法は, 現実的な脆性破壊アニメーションと剛性体シミュレーションをシームレスに統合し, 境界要素法(BEM)の脆性破壊シミュレーションを用いてトレーニングデータを生成する。
論文 参考訳（メタデータ） (2023-10-20T08:15:13Z)
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。