Champs de propriétés mécaniques volumétriques adaptatifs invariants à la résolution

Résumé

Les propriétés mécaniques précises (ou des matériaux) — module d'Young (E), coefficient de Poisson (ν) et masse volumique (ρ) — sont essentielles pour des simulations physiques fiables des mondes numériques, mais la plupart des actifs 3D ne disposent pas de ces informations. Nous proposons AdaVoMP, une méthode permettant de prédire avec précision des propriétés (E, ν, ρ) spatialement variables et denses pour des objets 3D d'entrée, quelle que soit leur représentation, améliorant ainsi la résolution, la précision et l'efficacité mémoire par rapport à l'état de l'art. Le fondement de notre technique est une structure de voxels adaptative et éparse (SAV) qui représente efficacement à la fois la forme 3D d'entrée et le champ de matériau de sortie. Nous remplaçons le modèle à voxels fixes de la méthode antérieure la plus précise, VoMP, par un nouveau modèle encodeur-décodeur à transformeur éparse qui apprend à générer de manière autorégressive une SAV unique pour chaque forme d'entrée afin de représenter ses matériaux, atteignant une résolution 16³ fois plus élevée que les travaux antérieurs. Les expériences montrent qu'AdaVoMP estime des propriétés volumétriques plus précises, même avec un temps de calcul en phase de test inférieur à celui de tous les travaux antérieurs. Cela nous permet de convertir des objets 3D complexes et haute résolution en ressources prêtes pour la simulation, ce qui donne lieu à des simulations déformables réalistes.

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.