May, 2024

在大规模场景和视觉中，学习隐式形状的刚体模拟器

PDF
TL;DR使用学习的有界几何网络的刚体模拟器，通过从多视角图像中提取有界距离函数（SDFs），首次演示了 GNN 模拟器在数百个物体和 110 万个节点的场景中的可扩展性。
发现论文，激发创造
  • 将人脸交互图网络推广至真实场景

    准确模拟真实世界物体动态对于机器人、工程、图形和设计等各种应用至关重要。我们提出了一种减少运行基于图网络的学习模拟器所需内存的方法。基于这种内存高效的模拟模型，我们提供了一种感知界面，以可编辑的 NeRFs 形式将真实世界场景转换为图网络模拟器可以处理的结构化表示。我们展示了我们的方法使用的内存远远少于以前基于图网络的模拟器同时保持其准确性，并且合成环境中学习的模拟器可以应用于从多个摄像机角度捕捉的真实世界场景，从而扩展了学习模拟器在仅在推断时有感知信息的设置中的应用。

    Jan, 2024

  • 利用图网络学习模拟复杂物理现象

    本研究提出了一种基于图神经网络的模拟器框架，通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象，模型从单一粒子预测到测试时的数千个粒子，并且能够处理不同的初始条件和数万个时间步骤，具有较强的可靠性与预测能力。

    Feb, 2020

  • gSDF: 基于几何的有符号距离函数在 3D 手部物体重建中的应用

    本文利用手的结构作为 SDF 的引导，并预测姿势变换的运动链，对高关节手姿势对齐 SDF 进行了改进，最终在 ObMan 和 DexYCB 基准测试中取得了比现有技术更显著的改进。

    Apr, 2023

  • GenSDF: 通用有符号距离函数的两阶段学习

    本文研究了使用神经代表距离函数（SDF）进行三维对象表示学习的泛化能力，提出了一个半监督元学习方法，可将形状先验从有标签的数据传输到无标签的数据中，用于重建未知的对象类别，并实现了 100 多个未见过的类别的强大的零 - shot 推理。

    Jun, 2022

  • 利用物理传感器观测基于图模型的网络模拟器校准

    该论文提出一种结合实际感知信息的模型，利用点云数据预测可变形物体的网格状态，实现对物理模拟的准确长期预测，尤其是在存在未知物质属性等不确定性的情况下。

    Feb, 2023

  • SDF-SRN: 从静态图像中学习有符号距离三维物体重建

    该论文提出了一种名为 SDF-SRN 的方法，通过 2D 轮廓学习无需多视图注释的隐式三维形状表示，实现了单视图训练，并在合成和真实世界数据集上优于当前技术水平的基于单视图监督的方法。

    Oct, 2020

  • SURFSUP: 学习新颖表面的流体模拟

    我们提出了 SURFSUP 框架，该框架使用有符号距离函数隐式地表示对象，以更准确地模拟流体和对象之间的相互作用，并通过数据训练具有泛化的能力。

    Apr, 2023

  • 通过贝叶斯推断缩小模拟与实际之间的差距

    利用 SIM-FSVGD 学习机器人动力学，通过 simulators 对神经网络模型的训练进行正则化，实现准确的平均模型估计和精确的不确定性量化。在高性能 RC 赛车系统上实验表明，SIM-FSVGD 在缩小仿真与实际之间的差距和使用更少数据的情况下，比现有技术展示了高度动态的倒车和漂移停车技巧。

    Mar, 2024

  • 重建现实中的物体用于逼真的传感器模拟

    从稀疏的野外数据中准确估计几何和逼真外观，并将其渲染到新颖视角中，以增加机器人训练和测试的现实感、多样性和规模的研究。

    Nov, 2023

  • 基于约束的图网络模拟器

    本文介绍了一个基于约束的机器学习模拟框架，使用图神经网络实现约束函数，并通过求解优化问题计算未来预测，可应用于多种具有挑战性的物理领域，提供了传统模拟和数值方法的归纳偏差。

    Dec, 2021