Auflösungsinvariante adaptive volumetrische mechanische Eigenschaftsfelder

Zusammenfassung

Präzise mechanische Eigenschaften (oder Materialien) wie Elastizitätsmodul (E), Poissonzahl (ν) und Dichte (ρ) sind essenziell für zuverlässige physikalische Simulationen digitaler Welten. Allerdings fehlen diese Informationen bei den meisten 3D-Assets. Wir schlagen AdaVoMP vor, eine Methode zur Vorhersage präziser, dicht variierender (E, ν, ρ) für eingegebene 3D-Objekte über verschiedene Repräsentationen hinweg, wodurch Auflösung, Genauigkeit und Speichereffizienz im Vergleich zum Stand der Technik verbessert werden. Grundlage unserer Technik ist eine spärliche und adaptive Voxelstruktur SAV, die sowohl die eingegebene 3D-Form als auch das resultierende Materialfeld effizient repräsentiert. Wir ersetzen das Modell mit festen Voxeln der genauesten vorherigen Methode VoMP durch ein neuartiges spärliches Transformer-Encoder-Decoder-Modell, das lernt, für jede Eingabeform autoregressiv eine einzigartige SAV zu generieren, um deren Materialien darzustellen. Dadurch wird eine 16^3-mal höhere Auflösung als im Stand der Technik erreicht. Experimente zeigen, dass AdaVoMP präzisere volumetrische Eigenschaften schätzt, selbst mit geringerem Testzeit-Rechnenaufwand als alle bisherigen Verfahren. Dies ermöglicht es uns, hochauflösende komplexe 3D-Objekte in simulationsbereite Assets umzuwandeln, was zu realistischen deformierbaren Simulationen führt.

English

Accurate mechanical properties (or materials) Young's modulus (E), Poisson's ratio (ν) and density (ρ) are essential for reliable physics simulation of digital worlds, but most 3D assets lack this information. We propose AdaVoMP, a method for predicting accurate dense spatially-varying (E, ν, ρ) for input 3D objects across representations, improving the resolution, accuracy, and memory efficiency over the state-of-the-art. The foundation of our technique is a sparse and adaptive voxel structure SAV that efficiently represents both the input 3D shape and the material field output. We replace the fixed-voxel model of the most accurate prior method, VoMP, with a novel sparse transformer encoder-decoder model that learns to generate a unique SAV autoregressively for every input shape to represent its materials, achieving a resolution 16^3times higher than prior art. Experiments show that AdaVoMP estimates more accurate volumetric properties, even with lesser test-time compute than all prior art. This allows us to convert high-resolution complex 3D objects into simulation-ready assets, resulting in realistic deformable simulations.