論文の概要: PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation

• arxiv url: http://arxiv.org/abs/2610.07609v1
• Date: Tue, 06 Oct 2026 01:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.751287
• Title: PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation
• Title（参考訳）: PhysLDM:高忠実変形シミュレーションのための潜時拡散
• Abstract要約: 高忠実度変形可能な物体のニューラルシミュレーションは、コンピュータグラフィックスと物理AIにおける課題である。 単発容積変形シミュレーションのための統合型潜時VAEであるPhysLDMを紹介する。 潜在潜在空間に基づいて、回帰法と拡散法を体系的に比較する。 複雑な変形可能な力学はしばしばカオスであり、この状態の回帰は非物理的平均を生成する傾向にあり、拡散はそれらの分布をより良くモデル化する。
• 参考スコア（独自算出の注目度）: 24.780393603746884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural simulation of high-fidelity deformable bodies is a foundational challenge in computer graphics and physical AI. Long-horizon prediction for high-resolution 3D volumetric meshes is hard: autoregressive methods are susceptible to error accumulation, while direct multi-frame prediction at native resolution is computationally prohibitive. This motivates a compact spatiotemporal latent representation, which is largely unexplored for mesh-based volumetric physics. Meanwhile, it remains unclear whether deterministic regression or generative diffusion is the more appropriate predictive paradigm. To address these coupled challenges, we introduce PhysLDM, a unified latent-diffusion paradigm for one-shot volumetric deformable simulation. Its core is a holistic spatiotemporal VAE that avoids the "staircase" artifacts of standard temporal compression (as in common video VAEs), achieving ~2.48 mm reconstruction precision on meter-scale scenes at up to 78x token compression. Based on this reliable latent space, we systematically compare regression and diffusion methods. Our experiments uncover a key modeling insight: complex deformable dynamics are often chaotic, and in this regime deterministic regression tends to produce non-physical averages, whereas diffusion better models their distribution. Accordingly, we employ a latent diffusion model that effectively learns from the chaotic data to generate physically plausible trajectories. Trained purely kinematically on an Objaverse-scale dataset, a single PhysLDM generalizes zero-shot to unseen OOD datasets (GSO and Toys4K). Its differentiability further enables efficient solution of inverse problems and higher-order design optimization. To our knowledge, PhysLDM is the first high-fidelity spatiotemporal autoencoder and latent-diffusion paradigm for volumetric deformable dynamics, offering a scalable and robust approach to neural simulation.
• Abstract（参考訳）: 高忠実度変形可能な物体のニューラルシミュレーションは、コンピュータグラフィックスと物理AIにおける基礎的な課題である。 高解像度の3次元体積メッシュの長距離予測は困難である: 自己回帰法はエラーの蓄積に影響を受けやすいが、ネイティブ解像度での直接多重フレーム予測は計算的に禁止されている。 これは、メッシュベースの体積物理学ではほとんど探索されていないコンパクトな時空間潜在表現を動機付けている。 一方、決定論的回帰あるいは生成拡散がより適切な予測パラダイムであるかどうかは不明である。 これらの課題に対処するために、1ショットの体積変形可能なシミュレーションのための統合潜在拡散パラダイムであるPhysLDMを導入する。 コアは、標準時空間圧縮の「階段」アーティファクト(一般的なビデオVAEのように)を避け、最大78倍のトークン圧縮でメートルスケールのシーンで約2.48mmの再現精度を達成する全時空間VAEである。 この信頼性の高い潜在空間に基づいて、回帰法と拡散法を体系的に比較する。 複雑な変形可能な力学はしばしばカオスであり、この状態では決定論的回帰は非物理的平均を生成する傾向にあり、拡散はそれらの分布をより良くモデル化する。 そこで我々は,カオスデータから効果的に学習する潜在拡散モデルを用いて,物理的に可塑性な軌道を生成する。 Objaverseスケールのデータセットで純粋にキネマティックにトレーニングされた単一のPhysLDMは、ゼロショットから目に見えないOODデータセット(GSOとToys4K)を一般化する。 その微分可能性により、逆問題の効率的な解法と高次設計最適化が可能になる。 我々の知る限り、PhysLDMは体積変形可能な力学のための最初の高忠実な時空間オートエンコーダであり、ニューラルネットワークに対するスケーラブルで堅牢なアプローチを提供する潜在拡散パラダイムである。

関連論文リスト

• Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion [4.293965179144764]
  フルウェーブフォーム・インバージョン(FWI)は、高度に不規則な2次PDE速度最適化を解くことで、記録から地下の速度を回復する。 最近の拡散優先法は、標準定式化と事前整合性の間の脆弱なトレードオフを犠牲にして現実性を改善する。 そこで本稿では,潜時費用目標を補助的物理変数と潜時変数に対する潜時費用目標に緩和するDe Latent Optimization (DLO)を提案する。 OpenFWIベンチマークでは、DLOは古典的正規化器や既存の拡散ベースのメソッドよりもクリーンでノイズがあり、トラスが不足している。
  論文  参考訳（メタデータ） (2026-06-12T05:55:10Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• STDDN: A Physics-Guided Deep Learning Framework for Crowd Simulation [13.228132733021376]
  本稿では,微視的軌道予測をマクロ物理学で導く新しい枠組みを提案する。 ニューラル正規微分方程式は、個々の運動によって駆動されるマクロ密度の進化をモデル化するために用いられる。 提案手法は, 長期タスクにおける最先端手法と比較して, シミュレーション性能に優れていた。
  論文  参考訳（メタデータ） (2026-04-03T06:06:04Z)
• Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems [1.9800280967139285]
  カオス・高次元非線形力学系の高忠実度数値シミュレーションは計算コストが高い。 このような系のほとんどの代理モデルは決定論的であり、例えば、ニューラル作用素が関与する場合である。 この研究は、生成機械学習を利用した代理モデリングの定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-13T04:11:37Z)
• Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
  高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。 ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。 我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。 半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-10-14T15:17:23Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)

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。