解像度に不変な適応的体積力学特性場

要旨

デジタル世界の信頼性の高い物理シミュレーションには、正確な機械的特性（または材料）——ヤング率（E）、ポアソン比（ν）、密度（ρ）——が不可欠であるが、ほとんどの3Dアセットにはこの情報が欠けている。本稿では、入力3Dオブジェクトに対して高精度な空間的に変化する（E, ν, ρ）を予測し、解像度、精度、メモリ効率を従来手法より向上させる手法AdaVoMPを提案する。本手法の基盤は、入力3D形状と材料フィールド出力の両方を効率的に表現するスパースかつ適応的なボクセル構造SAVである。従来の最も高精度な手法VoMPの固定ボクセルモデルを、新たなスパーストランスフォーマーエンコーダデコーダモデルに置き換え、入力形状ごとに材料を表現する独自のSAVを自己回帰的に生成することを学習することで、従来手法と比べて16^3倍の解像度を達成する。実験により、AdaVoMPは全従来手法よりも少ないテスト時計算量で、より正確な体積特性を推定できることが示された。これにより、高解像度で複雑な3Dオブジェクトをシミュレーション対応アセットに変換し、現実的な変形シミュレーションを実現する。

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.