NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory

要約

既存の 3D クロス シミュレータは現実的な結果を生成しますが、主に固定の空間解像度で離散的なサーフェス表現 (ポイントやメッシュなど) を操作するため、多くの場合、大量のメモリ消費と解像度依存のシミュレーションが発生します。
さらに、既存のソルバーを介して勾配を逆伝播することは困難であり、最新のニューラル アーキテクチャに簡単に統合することはできません。
これに応えて、この論文では物理的に妥当な布シミュレーションを再考します。つまり、表面変形がニューラル フィールドの形式でニューラル ネットワークの重みにエンコードされる、薄いシェルを使用する新しい準静的布シミュレータである NeuralClothSim を提案します。
私たちのメモリ効率の高いソルバーは、ニューラル変形フィールド (NDF) と呼ばれる新しい連続座標ベースの表面表現で動作します。
非線形異方性材料モデルを使用した非線形キルヒホッフ・ラブ シェル理論の法則に基づいて NDF 平衡を監視します。
NDF は適応型です。1) 変形の詳細にその容量を割り当て、2) 再トレーニングせずに任意の空間解像度での表面状態のクエリを可能にします。
ハード境界条件を課しながら NeuralClothSim をトレーニングする方法を示し、マテリアル補間やシミュレーション編集などの複数のアプリケーションをデモンストレーションします。
実験結果は、私たちの継続的な神経定式化の有効性を強調しています。

要約(オリジナル)

Despite existing 3D cloth simulators producing realistic results, they predominantly operate on discrete surface representations (e.g. points and meshes) with a fixed spatial resolution, which often leads to large memory consumption and resolution-dependent simulations. Moreover, back-propagating gradients through the existing solvers is difficult, and they cannot be easily integrated into modern neural architectures. In response, this paper re-thinks physically plausible cloth simulation: We propose NeuralClothSim, i.e., a new quasistatic cloth simulator using thin shells, in which surface deformation is encoded in neural network weights in the form of a neural field. Our memory-efficient solver operates on a new continuous coordinate-based surface representation called neural deformation fields (NDFs); it supervises NDF equilibria with the laws of the non-linear Kirchhoff-Love shell theory with a non-linear anisotropic material model. NDFs are adaptive: They 1) allocate their capacity to the deformation details and 2) allow surface state queries at arbitrary spatial resolutions without re-training. We show how to train NeuralClothSim while imposing hard boundary conditions and demonstrate multiple applications, such as material interpolation and simulation editing. The experimental results highlight the effectiveness of our continuous neural formulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google