論文の概要: Structure from Collision via Hypothesis-Space Reasoning
- arxiv url: http://arxiv.org/abs/2611.07900v1
- Date: Thu, 05 Nov 2026 12:20:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.677376
- Title: Structure from Collision via Hypothesis-Space Reasoning
- Title(参考訳): 仮説空間推論による衝突からの構造
- Abstract要約: 物体の内部構造に関する知識は、予測シミュレーション、ロボット操作、非破壊検査に不可欠です。
衝突現象の多視点観測から物体の内部構造を復元することにより、衝突構造(SfC)がこの問題に対処する。
我々は、SfCを仮説空間推論として再構成し、隠された空洞を明示的な構造仮説として表現する。
- 参考スコア(独自算出の注目度): 32.412935724264024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge of the hidden interior structure of an object, including the presence and location of cavities, is essential for predictive simulation, robotic manipulation, and nondestructive inspection. However, such cavities leave no direct signature on the static visible surface, making collision-induced deformation one of the few cues used to infer their presence. Structure from Collision (SfC) addresses this problem by recovering the hidden interior structure of an object from multiview observations of a collision event. SfC is challenging for two reasons: hidden cavities are only indirectly observable through surface motion, and voids correspond to the absence of material, making direct optimization using standard density representations difficult. The density-based SfC baseline inherits both difficulties. Surface-matching gradients do not directly indicate the cavity location, while density gradients can be weak or uninformative inside or near void regions. Therefore, we reformulate SfC as hypothesis-space reasoning, representing hidden cavities as explicit structural hypotheses whose variables encode available structural assumptions rather than relying on implicit density updates. A global stage performs gradient-free optimization over this hypothesis space using forward-only material point method (MPM) simulation. A local stage then refines the selected hypothesis as a Lagrangian particle system through gradient-based optimization using differentiable MPM simulation. On the SfC benchmark, our method improves hidden-structure reconstruction and future prediction over the density-based SfC baseline. Interior-topology stress tests and robustness analyses characterize its scope and limitations. The project page is available at https://www.kecl.ntt.co.jp/people/kaneko.takuhiro/projects/sfc-hypothesis/.
- Abstract(参考訳): キャビティの存在と位置を含む物体の内部構造に関する知識は、予測シミュレーション、ロボット操作、非破壊検査に不可欠である。
しかし、このような空洞は静的な可視面に直接のサインを残しておらず、衝突によって引き起こされた変形はその存在を推測するために使われる数少ない手がかりの1つである。
衝突現象の多視点観測から物体の内部構造を復元することにより、衝突構造(SfC)がこの問題に対処する。
SfCは2つの理由により困難である: 隠れキャビティは表面運動によって間接的に観測できるだけであり、空洞は材料不足に対応するため、標準密度表現を用いた直接最適化は困難である。
密度ベースのSfCベースラインは、両方の困難を継承する。
表面整合勾配は空洞位置を直接示さないが、密度勾配は空洞領域内や近辺の弱い、あるいは不定形である。
そこで我々はSfCを仮説空間推論として再構成し、隠れキャビティを変数が暗黙の密度更新に頼るのではなく、利用可能な構造仮定を符号化する明示的な構造仮説として表現する。
大域的な段階は、フォワードオンリーの物質点法(MPM)シミュレーションを用いて、この仮説空間上で勾配のない最適化を行う。
局所的な段階は、微分可能なMPMシミュレーションを用いて勾配に基づく最適化を通じてラグランジュ粒子系として選択された仮説を洗練する。
SfCベンチマークにおいて,本手法は密度に基づくSfCベースラインの隠れ構造再構築と今後の予測を改善する。
内部トポロジーストレステストとロバストネス分析は、その範囲と限界を特徴づける。
プロジェクトページはhttps://www.kecl.ntt.co.jp/people/ Kaneko.takuhiro/projects/sfc-hypothesis/で公開されている。
関連論文リスト
- Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳(メタデータ) (2026-10-13T07:37:52Z) - Volume Rendering with Metric--Phase Fields for Thin Structures and Sign-Ambiguous Geometry [65.01117565252021]
本稿では,MPF(Metric-Phase Fields)上に構築したニューラルボリュームレンダリングフレームワークを提案する。
MPFは幾何学を非負距離場とソフトサインキューを備えた連続位相場に分解する。
PhaseSurfはUDFベースの手法や最近の3DGSパイプラインよりも、より安定した再構成と高品質な幾何を生成する。
論文 参考訳(メタデータ) (2026-10-09T06:40:44Z) - OnlyDense: Reduced-Order Modeling for Lagrangian simulation [8.41375218692909]
本稿では,大規模粒子系のスケーラブルな表現と動的モデリングのための学習フレームワークを提案する。
我々は、学習した神経基底関数によって分散された線形部分空間で状態空間を近似する。
提案手法は, R$2$のスコアを0.99ドル以上, 基本関数を32ドル程度で, 正確に再構成し, 予測する。
論文 参考訳(メタデータ) (2026-06-08T06:02:08Z) - Physically Consistent Null Space Alignment for Detection of Low-Magnitude False Data Injection Attacks [11.81457841153631]
偽データインジェクション攻撃(FDIA)は、インジェクションされた信号がシステムモデルの擬似ヌル空間と一致した場合、電力系統状態推定において大きなずれを引き起こす可能性がある。
既存のモデルおよびデータ駆動検出器は、擬似ヌル空間に隠された変化を無視するため、そのような低マグニチュードだが高インパクト攻撃を識別できない可能性がある。
本稿では,物理ヌル空間と測定から導出される擬似ヌル空間との間の幾何学的対応を前処理により保存し,ステルス性FDIAを検出するフレームワークであるPCNSAを提案する。
論文 参考訳(メタデータ) (2026-06-07T06:39:09Z) - 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) - M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data [0.6054759773528756]
時空システムの因果グラフ発見は高次元グリッドデータでは困難である。
CaStLeは、時空の局所性と定常性の仮定の下で、そのニッチに対処するために開発された。
本稿では,M-CaStLeを用いて局所的な内部同定と時空間の時間的因果構造をグリッドデータでモデル化する。
論文 参考訳(メタデータ) (2026-05-01T04:40:35Z) - Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。
最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。
本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
論文 参考訳(メタデータ) (2026-04-17T06:31:29Z) - Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI [1.6863755729554886]
我々は,dMRI計測を反転させる透過性を考慮した再構成手法であるSpinverseを提案する。
スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱う。
多様な測地を再構成し、配列スケジューリングと正規化がアウトラインのみの解を避けるために重要であることを示す。
論文 参考訳(メタデータ) (2026-03-04T21:57:40Z) - Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。
本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。
$|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
論文 参考訳(メタデータ) (2025-12-22T10:03:51Z) - TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。
PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。
一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
論文 参考訳(メタデータ) (2024-10-14T14:58:30Z) - Elongated Physiological Structure Segmentation via Spatial and Scale
Uncertainty-aware Network [28.88756808141357]
本研究では,空間的・大規模不確実性認識ネットワーク(SSU-Net)を提案する。
実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。
論文 参考訳(メタデータ) (2023-05-30T08:57:31Z)
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。