論文の概要: PhysSkin++: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning

• arxiv url: http://arxiv.org/abs/2610.26067v1
• Date: Mon, 19 Oct 2026 09:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:36:41.931754
• Title: PhysSkin++: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning
• Title（参考訳）: PhysSkin++: 自己監督型ニューラルスキニングによる実時間および一般化可能な物理ベースのアニメーション
• Abstract要約: 物理インフォームドフレームワークであるPhysSkin++を導入し、静的な幾何学から連続的な神経スキン場を学習し、コンパクトな変形部分空間を構築する。 実験では、学習したスキン場のクロスシェイプ一般化、リアルタイム還元シミュレーション、および制御可能、衝突認識、リグ補足アニメーションへの応用を実証した。
• 参考スコア（独自算出の注目度）: 107.43971978787266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizing real-time physics-based animation across diverse 3D shapes and spatial discretizations remains challenging. In this paper, we introduce PhysSkin++, a physics-informed framework that learns continuous neural skinning fields from static geometries to construct compact deformation subspaces. Specifically, we propose a Neural Skinning Fields Autoencoder that predicts shape-dependent deformation subspaces without per-object network training. To learn these subspaces without simulation trajectories, we develop a Physics-Informed Self-Supervised Learning strategy that combines skinning-field normalization with conflict-aware gradient correction, stabilizing joint optimization under physical and orthogonality constraints. The learned representation supports efficient reduced dynamics with user control and contact interactions, together with direct animation binding to meshes, point clouds, and 3D Gaussians. For prescribed rig animation, we further introduce a self-supervised complementarity objective to learn complementary elastic responses without enforcing complementarity constraints at runtime. Experiments demonstrate cross-shape generalization of the learned skinning fields, real-time reduced simulation, and applications to controllable, collision-aware, and rig-complementary animation.
• Abstract（参考訳）: 様々な3次元形状と空間的離散化にまたがる実時間物理に基づくアニメーションの一般化はいまだに困難である。 本稿では、静的な幾何学から連続的なニューラルスキン場を学習し、コンパクトな変形部分空間を構築する物理インフォームドフレームワークであるPhysSkin++を紹介する。 具体的には,形状に依存した変形部分空間を予測するニューラルスキニングフィールドオートエンコーダを提案する。 シミュレーション軌道を使わずにこれらの部分空間を学習するために,スキンフィールド正規化とコンフリクト対応勾配補正を併用した物理インフォームド・セルフスーパービジョン学習戦略を開発し,物理的および直交制約下での関節最適化を安定化する。 学習された表現は、メッシュ、ポイントクラウド、および3Dガウスアンへの直接的なアニメーションバインディングとともに、ユーザコントロールとコンタクトインタラクションによる効率的な削減ダイナミクスをサポートする。 所定リグアニメーションに対しては,実行時に相補性制約を課さずに相補的弾性応答を学習するための自己教師付き相補性目標を導入する。 実験では、学習したスキン場のクロスシェイプ一般化、リアルタイム還元シミュレーション、および制御可能、衝突認識、リグ補足アニメーションへの応用を実証した。

関連論文リスト

• 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)
• 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)
• PhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning [68.07729798029148]
  PhysSkinは、リアルタイム物理ベースのアニメーションのための物理インフォームドフレームワークである。 メッシュフリー、離散化非依存、物理的に一貫したスキンフィールドを生成し、様々な3D形状でうまく一般化する。 PhysSkinは、一般化可能なニューラルスキンの優れた性能を示し、リアルタイム物理ベースのアニメーションを可能にする。
  論文  参考訳（メタデータ） (2026-03-24T13:41:14Z)
• Half-Physics: Enabling Kinematic 3D Human Model with Physical Interactions [89.88331682333198]
  SMPL-Xを周囲との動的物理的相互作用が可能な有形実体に埋め込む新しい手法を提案する。 本手法は,シーンやオブジェクトとの物理的に妥当な相互作用を確保しつつ,固有のSMPL-Xポーズの運動制御を維持する。 広範かつ複雑な訓練を必要とする強化学習法とは異なり、ハーフフィック法は学習自由であり、あらゆる身体形状や運動に一般化する。
  論文  参考訳（メタデータ） (2025-07-31T17:58:33Z)

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。