通过观察视觉场景理解物理方程
该论文提出了一种神经模型,同时基于物理学原理和视觉先验进行推理和预测,通过对粒子的估计预测物理参数,即视觉基础,并在刚体、可变形材料和流体的复杂环境中证明了它的有效性,允许模型在几次观察内推断出物理特性,从而快速适应未见过的场景并进行准确的未来预测。
Apr, 2020
本文提出了一种基于物理 - 逆向图像学的方法,可以从视频中无监督地估算系统的物理参数,实现长期视频预测和基于视觉的模型预测控制,并在交互物体系统的长期未来帧预测中显著优于相关无监督方法,还实现了控制器的可解释性提供了独特的能力在目标驱动控制和物理推理方面的零数据适应。
May, 2019
本文介绍了一种端到端的无监督深度学习框架,基于录制的视频可以揭示物体运动的明确控制方程,在物理坐标系中建立其物理规律,并通过数值积分器和稀疏回归模块,同时解决了文献中尚无现有方法适用的问题,并成功地应用于几个动态系统的记录。
May, 2022
本论文提出了一项基于视觉任务的评估基准,以测试人工系统对于宏观物体、运动、力等物理理解的程度,同时介绍了两个旨在以无监督的方式学习直观物理的深度神经网络系统,并通过与人类数据的比较,对下一帧预测建筑的潜力和限制进行了新颖的结果分析。
Mar, 2018
本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作,在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例,展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面,揭示了通过观察自然现象发现根本定律和因果关系的过程正在通过更好地利用观测数据、先进的机器学习算法和与领域知识的互动得到革命性的变革。
May, 2023
本文探讨了基于物理规律的计算机视觉任务的制定和方法,提出了计算机视觉流水线的分类系统,并分别研究了如何在每个阶段中引入基本物理规律和控制方程,在计算机视觉领域中的应用前景是制定更好的计算机视觉模型以提高物理可行性、准确性、数据效率和泛化能力。
May, 2023
介绍了学习方法在地球科学中应用的主要挑战,提出了几种融合了物理学和机器学习的方法,包括从数据中提取微分方程、加入物理先验和依赖性约束的数据驱动模型、改进参数化、模拟物理模型以及融合数据驱动和基于过程的模型,从而发现地球系统中的知识。
Oct, 2020
提出了一种名为 Physion++ 的数据集和评测基准,旨在严格评估视觉物理预测在人工系统中的表现,其中预测依赖于对场景中物体的潜在物理属性的准确估计,结果发现,所有现有的先进模型都没有像人类一样学习进行物理预测。
Jun, 2023
研究提出了一个新的问题,即如何从视觉输入中进行物体力学的反事实学习,并提出了一种用于在反事实情境下学习物理动态的模型。通过学习对初始条件进行干预时对其结果的影响,和对潜在因素的学习,该网络可以捕捉到物理环境的潜在特性,从而具有超越人类表现的预测能力。
Sep, 2019