論文の概要: AutoPhyX: Automatic Text-Condition Physics Property Generation

• arxiv url: http://arxiv.org/abs/2610.29517v1
• Date: Wed, 21 Oct 2026 10:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.308659
• Title: AutoPhyX: Automatic Text-Condition Physics Property Generation
• Title（参考訳）: AutoPhyX: テキストコンディションによる物理自動生成
• Abstract要約: AutoPhyXは、空間的に変化する物理的特性を予測するためのテキスト条件付きフレームワークである。 高精度で堅牢な一般化を実現している。
• 参考スコア（独自算出の注目度）: 23.123722918362716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity 4D physical simulation requires accurate physical parameter assignments that align with diverse material properties. Previous methods struggle with critical bottlenecks: they either rely on computationally intensive per-scene optimization or predict parameters from purely visual inputs. The latter suffers from inherent ambiguity, e.g., the inability to distinguish the stiffness of rubber from its appearance alone. To bridge this gap, we propose AutoPhyX, a text-conditioned framework for predicting spatially-varying physical properties. Since training robust feed-forward models requires fine-grained supervision, we first introduce a novel part-controllable data generation pipeline that decomposes complex 3D assets into semantically distinct components and pairs them with physically plausible, diverse parameters and corresponding text descriptions. Leveraging this dataset, AutoPhyX employs a cross-modal modulation mechanism where text features dynamically modulate visual features for precise physical grounding. By formulating property prediction within a voxel field, AutoPhyX ensures compatibility with diverse 3D representations, including meshes, point clouds, Gaussian Splatting, and NeRF. Experiments demonstrate that our method enables physically plausible, text-driven parameter assignment in a single forward pass. It achieves high accuracy and robust generalization to in-the-wild objects, paving the way for future physics-intensive embodied and robotic applications.
• Abstract（参考訳）: 高忠実度4D物理シミュレーションは、様々な材料特性に適合する正確な物理パラメータ割り当てを必要とする。 それらは計算集約的なシーンごとの最適化に依存するか、純粋に視覚的な入力からパラメータを予測する。 後者は、天然の曖昧さ、例えばゴムの硬さと外観だけを区別できないことに苦しむ。 このギャップを埋めるため,空間的に変化する物理的特性を予測するためのテキスト条件付きフレームワークであるAutoPhyXを提案する。 堅牢なフィードフォワードモデルのトレーニングにはきめ細かな監督が必要であるため、まず複雑な3Dアセットを意味的に異なるコンポーネントに分解し、物理的に妥当で多様なパラメータとそれに対応するテキスト記述とをペアリングする、新しい部分制御可能なデータ生成パイプラインを導入する。 このデータセットを利用することで、AutoPhyXはクロスモーダルな変調機構を採用し、テキストの特徴は正確な物理的接地のために視覚的特徴を動的に変調する。 ボクセルフィールド内でプロパティ予測を定式化することにより、AutoPhyXはメッシュ、ポイントクラウド、ガウススプラッティング、NeRFなど、さまざまな3D表現との互換性を確保する。 実験により,本手法は1回のフォワードパスにおいて,物理的に妥当なテキスト駆動パラメータ割り当てを可能にすることを示した。 高精度で堅牢な一般化を実現し、将来の物理集約型ロボット応用への道を開く。

関連論文リスト

• PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics [6.7982839614843575]
  PhysCoReは、2つのフィードフォワードニューラルネットワークと微分可能なMaterial Point Methodシミュレータを結合した物理補正された残留世界モデルである。 材料精製モジュールは、粒子ごとの弾性を視覚観測から推定し、物体特異的物理学においてシミュレータを接地する。 残差補正モジュール(Residual from Dynamics (RfD))は、誤差を学習し、シミュレータの内部ダイナミクスの補正を予測する。
  論文  参考訳（メタデータ） (2026-07-22T18:25:57Z)
• 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)
• URDF-Anything+: Autoregressive Articulated 3D Models Generation for Physical Simulation [45.4820195450296]
  本稿では,視覚的観察から実行可能なオブジェクトモデルを直接生成する,エンドツーエンドの自動回帰フレームワークを提案する。 視覚的観察から構築された高忠実度デジタル双生児は、シミュレーションで訓練されたポリシーを、オンライン適応なしで実際のロボットに転送することができる。
  論文  参考訳（メタデータ） (2026-03-14T16:23:44Z)
• PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement [89.35154754765502]
  PhyScensisは物理エンジンを動力とするエージェントベースのフレームワークで、物理的に可視なシーン構成を生成する。 本フレームワークは,微粒なテキスト記述や数値パラメータに対する強い制御性を保っている。 実験の結果,本手法はシーンの複雑さ,視覚的品質,身体的精度において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-16T17:55:25Z)
• MotionPhysics: Learnable Motion Distillation for Text-Guided Simulation [25.78198969054392]
  MotionPhysicsは、ユーザが提供する自然言語プロンプトから妥当な物理パラメータを推論するエンドツーエンドの微分可能なフレームワークである。 我々は30以上のシナリオでMotionPhysicsを評価し、実世界、人間設計、AIによって生成された3Dオブジェクトを含む。
  論文  参考訳（メタデータ） (2026-01-01T22:56:37Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。