Campos Adaptativos Volumétricos de Propiedades Mecánicas Invariantes a la Resolución

Resumen

Las propiedades mecánicas precisas (de los materiales) —módulo de Young (E), coeficiente de Poisson (ν) y densidad (ρ)— son esenciales para una simulación física fiable de mundos digitales, pero la mayoría de los activos 3D carecen de esta información. Proponemos AdaVoMP, un método para predecir (E, ν, ρ) densos y espacialmente variables con precisión para objetos 3D de entrada, independientemente de su representación, mejorando la resolución, precisión y eficiencia de memoria con respecto al estado del arte. La base de nuestra técnica es una estructura de vóxeles dispersa y adaptativa (SAV) que representa de manera eficiente tanto la forma 3D de entrada como el campo de materiales de salida. Reemplazamos el modelo de vóxeles fijos del método previo más preciso, VoMP, con un novedoso modelo de transformador codificador-decodificador disperso que aprende a generar una SAV única de forma autoregresiva para cada forma de entrada, representando sus materiales, logrando una resolución 16³ veces mayor que la del arte previo. Los experimentos muestran que AdaVoMP estima propiedades volumétricas más precisas, incluso con menor coste computacional en tiempo de prueba que todo el arte previo. Esto nos permite convertir objetos 3D complejos de alta resolución en activos listos para simulación, resultando en simulaciones deformables realistas.

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.