PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.15015v3cs.CV

NEXUS: 물리적으로 일관된 접촉이 풍부한 3D 객체 역학을 위한 신경 에너지 필드

NEXUS: Neural Energy Fields for Physically Consistent Contact-Rich 3D Object Dynamics

물리 기반 비디오 생성은 접촉, 변형 및 외력 하에서 물리적으로 일관성을 유지하는 제어 가능한 3D 객체 역학을 필요로 합니다. 기존의 궤적 기반 방법들은 종종 고립된 물리적 효과를 모델링하여, 접촉이 풍부한 3D 장면에서 보존적(conservative) 및 비보존적(non-conservative) 역학을 결합하기 어렵게 만듭니다. 우리는 접촉이 풍부한 3D 객체 역학을 위한 신경 에너지 필드 프레임워크인 NEXUS를 제안합니다. NEXUS는 각 객체를 구조적 그래프로 표현하고 동적인 객체-객체 및 객체-환경 접촉 그래프를 구성합니다. 해밀토니안 신경망(Hamiltonian Neural Networks)에서 영감을 받아, NEXUS는 상태나 가속도를 직접 예측하는 대신 스칼라 에너지와 소산(dissipation) 항을 통해 운동을 공식화합니다. 중력과 탄성 변형을 포함한 보존적 효과는 가산적 에너지 항으로 구성되는 반면, 감쇠와 충격으로 인한 에너지 손실과 같은 비보존적 효과는 학습된 레일리 스타일 소산으로 모델링됩니다. 힘은 에너지 및 소산 함수를 미분하여 도출되며, 다중 서브스텝 반-암시적 적분기(multi-substep semi-implicit integrator)를 사용하여 시뮬레이션됩니다. 제어된 궤적 벤치마크(benchmark) 전반에서, NEXUS는 다양한 기계적 특성과 물리적 효과 구성 하에서 대표적인 학습 기반 및 물리 구조화된 역학 기준 모델(baseline)들보다 장기 정확도를 향상시킵니다. 또한, 우리는 NEXUS 궤적이 접촉이 풍부한 비디오 생성에 효과적인 지침을 제공하여, 경쟁력 있는 시각적 품질을 유지하면서 물리적 타당성을 향상시킴을 보여줍니다.