柔性神经表示用于物理预测
本文提出了基于 3D-PhysNet 框架的物理建模方法,可以对三维物体在外力作用下的变形进行快速预测,并具有材料属性的泛化性,并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码,以及通过级联结构对部分视图下的物体变形进行预测。
Apr, 2018
基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息,并通过已建立的下采样和上采样过程进行多尺度的特征表示,从而有效地改进了基于神经网络的三维物体动态建模方法。
Apr, 2024
本文提出 DensePhysNet 对于机器人物体操纵的物理表示的学习方法,通过动态交互序列和深度预测模型学习密集的像素表示,可以直接解码物理物体属性,并在下游任务中实现更精确和更有效的操纵。
Jun, 2019
本文介绍了交互网络模型,它能够推断复杂系统中物体之间相互作用的方式,支持对系统动态预测,以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理,并可以推理多种具有挑战性的物理领域。 报告结果表明,它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹,估计能量等抽象量,自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的,可学习的物理引擎,是处理各种复杂真实世界领域中物体和关系的强大的通用框架。
Dec, 2016
本文提出了神经物理引擎(NPE),它是一个学习具有直觉物理的模拟器的框架,并自然地推广到可变对象计数和不同场景配置。作者将物理场景分解为可组合的基于对象的表示,并使用神经网络架构对对象动态进行分解。通过与非结构化架构进行比较,作者表明,NPE 对物理交互中的结构表示改善了其预测运动能力,能够在不同场景中进行推广,并推断出物体的潜在属性。
Dec, 2016
本文介绍了一种新的分层表示网络(HRN),通过几何分离和分层表示来实现对细节精确的面部重建。同时,考虑不同视角的细节一致性,提出了一种去除重新贴图模块。通过在两个单视图和两个多视图 FR 基准上的实验,展示了该方法在重建精度和视觉效果方面的优越性,并引入了高质量的 3D 面部数据集 FaceHD-100。
Feb, 2023
本研究探究了基于混合物理的数据驱动代理模型,利用嵌入神经网络中的组分模型中所包含的物理学知识来进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络 (PRNN) 架构,将显微模型的均质变形梯度编码为一组作为嵌入组分模型输入的变形梯度,在可预测均质应力的解码器中将这些组分模型计算的应力进行组合,以使得历史依赖性构成模型的内部变量自然地为网络提供以物理为基础的记忆。通过考虑具有横向各向同性弹性纤维和弹 - 粘塑性基质材料的单向复合显微模型,测试了替代此类显微模型的代理模型的外推性能,包括不同应变速率、循环加载和松弛过程。与原始显微模型运行时间相比,获得了三个数量级的加速。
Apr, 2024