論文の概要: Physical-Field-Bridged Material Parameter Inference from Multi-View Deformation Videos

• arxiv url: http://arxiv.org/abs/2610.17591v1
• Date: Tue, 13 Oct 2026 02:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:18:13.641333
• Title: Physical-Field-Bridged Material Parameter Inference from Multi-View Deformation Videos
• Title（参考訳）: 多視点変形ビデオからの物理場架橋材料パラメータ推定
• Abstract要約: 視覚観察からシミュレーション可能な物質パラメータを推定することは、変形可能なオブジェクト操作に不可欠である。 マルチビューRGB変形ビデオの接続に高密度な物理応答を利用するシングルパスフレームワークである物理場ブリッジ材料推論を導入する。 DeformFieldBenchという3DGS MPM学習環境を構築する。
• 参考スコア（独自算出の注目度）: 10.699169627330244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating simulation-ready material parameters from visual observations is crucial for deformable-object manipulation but challenging because material properties are only indirectly revealed through physical responses. We introduce physical-field-bridged material inference, a single-pass framework that uses dense physical responses to connect multi-view RGB deformation videos with constitutive-type classification and continuous parameter regression. Unlike inverse-physics methods requiring per-scene reconstruction, online tuning, or simulation-in-the-loop optimization, our model predicts force/contact masks, projected motion-flow fields, and projected stress-response maps, then conditions material inference on these fields to reduce reliance on appearance or category shortcuts. We construct DeformFieldBench, a 3DGS MPM learning environment comprising 5,000 simulations across 100 object shapes and five mechanically informative loading modes, with dense pixel-aligned physical supervision. Our method achieves the best median errors on all four continuous parameters, improves stress-hotspot recall from 0.0762 to 0.5121, and attains 0.8676 SSIM/36.82 dB PSNR in same-simulator replay on unseen objects. Under a protocol-matched GSO evaluation, inference and future-state prediction take approximately 30 seconds, compared with 15-120 minutes for per-scene optimization. The method also yields measurable replay agreement on five real-world sequences. These results support dense physical fields as an effective bridge for fast material inference, while cross-simulator and real-world tests reveal remaining domain and identifiability gaps.
• Abstract（参考訳）: 視覚的観察からシミュレーション可能な物質パラメータを推定することは、変形可能な物体の操作には不可欠であるが、物質特性は物理的応答によって間接的にのみ明らかになるため、困難である。 本稿では,多視点RGB変形ビデオと構成型分類と連続パラメータ回帰を接続するために,高密度な物理応答を利用するシングルパスフレームワークである物理場ブリッジ材料推論を紹介する。 現場ごとの復元,オンラインチューニング,ループ内シミュレーションなどを必要とする逆物理手法とは異なり,我々のモデルは,力/接触マスク,投射運動場,およびストレス応答マップを予測し,これらのフィールドに物質的推論を適用し,外観やカテゴリーショートカットへの依存を減らす。 DeformFieldBenchは,100個のオブジェクト形状と5つの機械的情報伝達モードからなる3DGS MPM学習環境である。 提案手法は,4つの連続パラメータの最大中央値誤差を実現し,0.0762から0.5121への応力-ホットスポットのリコールを改善し,0.8676 SSIM/36.82 dB PSNRを未知のオブジェクトで再現する。 プロトコルにマッチしたGSO評価では、推論と将来の状態予測は約30秒かかるが、シーンごとの最適化には15～120分かかる。 この手法はまた、5つの実世界のシーケンスで測定可能な再生合意を与える。 これらの結果は、高速な物質推定のための有効なブリッジとして高密度な物理場をサポートし、一方でクロスシミュレータと実世界のテストでは、ドメインと識別可能性のギャップが残っていることが判明した。

関連論文リスト

• RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World? [54.35411689685545]
  RoboTwin-Physは、物理条件の多様性をロボット操作評価の明示的な次元として扱う物理多様性ベンチマークである。 本研究では, 物理属性推定, 条件対応モデリング, 物理条件付き政策トレーニングなど, 基礎的物理パラメータを用いた5,000以上の専門家による実証実験を公表する。
  論文  参考訳（メタデータ） (2026-09-22T12:04:52Z)
• 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)
• ReconPhys: Reconstruct Appearance and Physical Attributes from Single Video [51.2815592637053]
  ReconPhysは、単一の単眼ビデオから物理的属性推定と3次元ガウススプラッティング再構成を共同で学習するフィードフォワードフレームワークである。 提案手法では, 自己教師型戦略を用いて訓練したデュアルブランチアーキテクチャを用いて, 地上の物理ラベルの必要性を解消する。 大規模合成データセットの実験は優れた性能を示した。
  論文  参考訳（メタデータ） (2026-04-09T06:51:14Z)
• SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
  物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。 本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
  論文  参考訳（メタデータ） (2026-03-25T06:14:03Z)
• SimuScene: Training and Benchmarking Code Generation to Simulate Physical Scenarios [71.65387146697319]
  大規模言語モデル(LLM)は、数学の競争、複雑なコーディング、科学的推論といったタスクのために広く研究されている。 物理シナリオをシミュレートしてLLMを訓練し,評価する最初の体系的な研究であるSimuSceneを提案する。 品質を保証するために、人間の検証とともに、データ収集のための自動パイプラインを構築します。
  論文  参考訳（メタデータ） (2026-02-11T13:26:02Z)
• Parameter-Efficient Conditioning for Material Generalization in Graph-Based Simulators [2.504298819189614]
  グラフネットワークベースのシミュレータ(GNS)は、粒子ベースの物理学を学ぶ強力な可能性を示している。 既存のモデルは通常、単一の素材タイプのために訓練され、異なる振る舞いを一般化することができない。 本稿では,GNSモデルを材料パラメータに適応させるパラメータ効率条件付け機構を提案する。
  論文  参考訳（メタデータ） (2025-11-07T17:55:35Z)
• Video Prediction of Dynamic Physical Simulations With Pixel-Space Spatiotemporal Transformers [3.951575888190684]
  本研究は,ビデオ予測のためのトランスフォーマー適応を簡易なエンド・ツー・エンド・アプローチで検討し,種々の自己時間的アテンションレイアウトを比較した。 本稿では,自動回帰映像予測のための簡易かつ効果的な変換器を提案し,連続した画素空間表現をビデオ予測水平線に適用する。
  論文  参考訳（メタデータ） (2025-10-23T17:58:45Z)
• PhysFlow: Unleashing the Potential of Multi-modal Foundation Models and Video Diffusion for 4D Dynamic Physical Scene Simulation [9.306758077479472]
  PhysFlowは、マルチモーダル基礎モデルとビデオ拡散を利用して、強化された4次元ダイナミックシーンシミュレーションを実現する新しいアプローチである。 この統合フレームワークは、現実世界のシナリオにおける動的相互作用の正確な予測と現実的なシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-11-21T18:55:23Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)

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。