PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.07609v2cs.CV

PhysLDM: 고충실도 변형체 시뮬레이션을 위한 잠재 확산 모델

PhysLDM: Latent Diffusion for High-Fidelity Deformable Simulation

고충실도 변형체(deformable body)의 신경망 기반 시뮬레이션은 컴퓨터 그래픽스와 물리 AI 분야의 근본적인 과제입니다. 고해상도 3D 볼류메트릭 메시(volumetric mesh)에 대한 장기 예측(long-horizon prediction)은 매우 어렵습니다. 자기회귀(autoregressive) 방식은 오차 누적에 취약하며, 고유 해상도에서의 직접적인 다중 프레임 예측은 계산 비용이 지나치게 큽니다. 이는 메시 기반 볼류메트릭 물리에서는 거의 연구되지 않았던 소형 시공간 잠재 표현(compact spatiotemporal latent representation)의 필요성을 시사합니다. 한편, 결정론적 회귀(deterministic regression)와 생성적 확산(generative diffusion) 중 어떤 것이 더 적합한 예측 패러다임인지도 여전히 불분명합니다. 이러한 복합적인 과제를 해결하기 위해, 본 논문에서는 원샷 볼류메트릭 변형체 시뮬레이션을 위한 통합 잠재 확산 패러다임인 PhysLDM을 소개합니다. PhysLDM의 핵심은 일반적인 비디오 VAE와 같은 표준 시간 압축 방식의 "계단식(staircase)" 아티팩트를 방지하는 총체적 시공간 VAE로, 최대 78배의 토큰 압축률에서 미터 규모 장면에 대해 약 2.48mm의 재구성 정밀도를 달성합니다. 신뢰할 수 있는 이 잠재 공간을 기반으로 회귀 및 확산 방식을 체계적으로 비교합니다. 실험을 통해 복잡한 변형체 동역학이 종종 카오스적(chaotic)이며, 이러한 조건에서 결정론적 회귀는 비물리적 평균을 생성하는 경향이 있는 반면 확산 모델은 해당 분포를 더 잘 모델링한다는 핵심 모델링 통찰을 발견했습니다. 이에 따라 카오스적 데이터로부터 효과적으로 학습하여 물리적으로 타당한 궤적을 생성하는 잠재 확산 모델을 적용합니다. Objaverse 규모의 데이터셋에서 순수하게 운동학적(kinematically)으로 학습된 단일 PhysLDM 모델은 미지의 분포 외(OOD) 데이터셋(GSO 및 Toys4K)에 대해서도 제로샷(zero-shot)으로 일반화됩니다. 또한 미분 가능성을 바탕으로 역문제(inverse problem) 해결 및 고차 설계 최적화를 효율적으로 수행할 수 있습니다. 우리가 아는 한, PhysLDM은 볼류메트릭 변형체 동역학을 위한 최초의 고충실도 시공간 오토인코더이자 잠재 확산 패러다임으로, 신경망 시뮬레이션을 위한 확장 가능하고 견고한 접근법을 제시합니다.