論文の概要: PhysMamba: Selective State Space Models as Learned Articulated Body Simulators

• arxiv url: http://arxiv.org/abs/2610.04014v1
• Date: Fri, 02 Oct 2026 20:19:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:30:50.332946
• Title: PhysMamba: Selective State Space Models as Learned Articulated Body Simulators
• Title（参考訳）: PhysMamba: 学習人工体シミュレータとしての選択状態空間モデル
• Abstract要約: 選択状態空間モデル(SSM)に基づく最初の学習体シミュレータを提案する。 PhysMambaは、速度入力なしで位置、回転、共同動作履歴から、次のフレームのフルボディ状態を予測する。 部分観測入力と完全観測入力の4つのアーキテクチャと3つのトレーニングプロトコルを比較した。
• 参考スコア（独自算出の注目度）: 14.377996499876332
• License:
• Abstract: We introduce the first learned articulated body simulator based on a selective state space model (SSM), called PhysMamba. PhysMamba predicts next-frame full-body state from position, rotation, and joint-action history, without velocity inputs. We compare four architectures under partial- and full-observation inputs and three training protocols. The from-scratch rollout training protocol gives Mamba2 strong short- and mid-horizon accuracy under partial observation (s10 = 43 mm, 2/50 diverged), while the two-stage teacher-based rollout protocol stabilizes GRU but fails for Mamba2. With CUDA graph compilation, Mamba2 reaches 0.107 ms per frame (9,334 FPS) on an H100 GPU, within 1.1$\times$ of GRU's un-compiled throughput, adding under 1% latency to a 30 Hz HMR pipeline and enabling integration as a differentiable physics module for video-based mesh recovery.
• Abstract（参考訳）: 本稿では、PhysMambaと呼ばれる選択状態空間モデル(SSM)に基づく、初めて学習された身体シミュレータを提案する。 PhysMambaは、速度入力なしで位置、回転、共同動作履歴から、次のフレームのフルボディ状態を予測する。 部分観測入力と完全観測入力の4つのアーキテクチャと3つのトレーニングプロトコルを比較した。 オフスクラッチのロールアウトトレーニングプロトコルは、部分的な観察(s10 = 43 mm, 2/50)の下で、Mamba2の強い短距離と中水平の精度を与えるが、2段階の教師ベースのロールアウトプロトコルはGRUを安定化させるが、Mamba2では失敗する。 CUDAグラフのコンパイルにより、Mamba2はH100 GPU上で0.107ms (9,334 FPS)に達し、GRUの未コンパイルスループットの1.1$\times$で30Hz HMRパイプラインに1%以下のレイテンシを追加し、ビデオベースのメッシュリカバリのための微分可能な物理モジュールとして統合できる。

関連論文リスト

• Astronex-World 1.0: Real-Time Interactive World Model Foundation [2.660415540961114]
  オープンな制御可能なビデオワールドモデル基盤であるAstronex-World 1.0について紹介する。 テキストプロンプト(テキスト・トゥ・ビデオ)や初期観察(イメージ・トゥ・ビデオ)を与えられたモデルは、フレーム整列カメラの軌跡の下で将来の視覚状態を予測する。
  論文  参考訳（メタデータ） (2026-09-17T10:38:22Z)
• PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics [9.8347326624646]
  PhyMambaは、2段階の物理変調されたMambaフレームワークで、老化をシーケンスモデリングに統合する。 総合的な平均誤差を31.8%削減し、多様なベースラインに比して最高の集計性能を達成している。
  論文  参考訳（メタデータ） (2026-08-28T06:47:03Z)
• Physics-Grounded Fluid Video Generation with a Simulation Dataset and Dual-Stream Optical-Flow Supervision [78.04385989413382]
  ビデオ拡散モデルは視覚的に魅力的な内容を生成するが、流体にまつわる基礎物理学に規則的に違反する。 我々は1,638MPMを模擬した注水/スロッシングビデオと2,320のキーワードフィルターによる実注水ビデオを組み合わせた物理シミュレーション流体データセットを構築した。 予め訓練された拡散フィルタビデオジェネレータ上に構築されたデュアルストリーム映像合成アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-07-28T06:13:18Z)
• Density Field State Space Models: 1-Bit Distillation, Efficient Inference, and Knowledge Organization in Mamba-2 [0.0]
  Int8の低ランク補正を施した1ビット足場にSSMを圧縮するフレームワークである密度場状態空間モデル(DF-SSM)を提案する。 278MBモデル(FP16教師の2.7GBより9.7倍小さい)をGPU上で21.4倍高速に動作させる。
  論文  参考訳（メタデータ） (2026-04-28T14:25:10Z)
• Mamba-3: Improved Sequence Modeling using State Space Principles [74.41028882099846]
  線形モデルの状態空間モデル(SSM)の視点に触発された3つの中核的方法論的改善を紹介する。 アーキテクチャの改良とともに、Mamba-3モデルは、検索、状態追跡、下流言語モデリングタスク間で大きな進歩を遂げます。
  論文  参考訳（メタデータ） (2026-03-16T17:30:08Z)
• Structure From Tracking: Distilling Structure-Preserving Motion for Video Generation [76.04880323498598]
  自己回帰動画追跡モデル(SAM2)から双方向ビデオ拡散モデル(CogVideoX)へ構造保存動作先行情報を抽出するアルゴリズムを提案する。 VBenchと人間の研究ではSAM2VideoXが一貫した利益をもたらすことが示されている。
  論文  参考訳（メタデータ） (2025-12-12T18:56:35Z)
• Mixture-of-Mamba: Enhancing Multi-Modal State-Space Models with Modality-Aware Sparsity [56.0251572416922]
  状態空間モデル(SSM)は、シーケンシャルモデリングのためのトランスフォーマーの効率的な代替手段として登場した。 本稿では,Mambaブロックのモダリティ特異的パラメータ化により,モダリティを意識した疎結合を実現する新しいSSMアーキテクチャを提案する。 マルチモーダル事前学習環境におけるMixture-of-Mambaの評価を行った。
  論文  参考訳（メタデータ） (2025-01-27T18:35:05Z)
• Sparse Mamba: Introducing Controllability, Observability, And Stability To Structural State Space Models [2.6353853440763118]
  提案するS-Mambaにおいて,元のMamba SSMアーキテクチャに可制御性と可観測性の概念を導入する。 従来のMambaアーキテクチャの可制御性と可観測性を強化した上で, 難易度を5%改善し, トレーニング時間を3%短縮した。
  論文  参考訳（メタデータ） (2024-08-31T23:25:12Z)
• Hamba: Single-view 3D Hand Reconstruction with Graph-guided Bi-Scanning Mamba [48.45301469664908]
  1枚のRGB画像からの3Dハンド再構成は、関節運動、自己閉塞、物体との相互作用により困難である。 既存のSOTA法では、3Dハンドポーズと形状を学ぶためにアテンションベースのトランスフォーマーを採用している。 本稿では,グラフ学習と状態空間モデリングを橋渡しするHambaというグラフ誘導型Mambaフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-12T19:04:58Z)
• BlackMamba: Mixture of Experts for State-Space Models [10.209192169793772]
  状態空間モデル(SSM)は、最近、大規模な言語モデリングベンチマークでトランスフォーマーと競合する性能を示した。 MoEモデルは、計算コストと遅延コストを大幅に削減しながら、顕著なパフォーマンスを示している。 我々は,Mamba SSMとMoEを組み合わせた新しいアーキテクチャであるBlackMambaを紹介した。
  論文  参考訳（メタデータ） (2024-02-01T07:15:58Z)

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。