해상도 불변 적응형 체적 기계적 특성장

초록

정확한 기계적 물성(영률 E, 푸아송 비 ν, 밀도 ρ)은 디지털 세계의 신뢰성 있는 물리 시뮬레이션에 필수적이지만, 대부분의 3D 자산에는 이 정보가 부족하다. 본 논문에서는 표현 방식에 관계없이 입력 3D 객체에 대해 정밀한 공간 가변 (E, ν, ρ)을 예측하는 방법인 AdaVoMP를 제안하며, 최신 기술 대비 분해능, 정확도 및 메모리 효율성을 향상시킨다. 제안 기법의 기반은 희소 적응형 복셀 구조 SAV로, 입력 3D 형상과 물질 필드 출력을 모두 효율적으로 표현한다. 가장 정확한 기존 방법인 VoMP의 고정 복셀 모델을 새로운 희소 트랜스포머 인코더-디코더 모델로 대체하여, 입력 형상마다 물질을 표현하는 고유한 SAV를 자기회귀적으로 생성하도록 학습하며, 기존 대비 16³배 높은 분해능을 달성한다. 실험 결과, AdaVoMP는 기존 모든 방법보다 적은 테스트 시간 연산으로도 더 정확한 체적 물성을 추정함을 보여준다. 이를 통해 고해상도 복잡 3D 객체를 시뮬레이션 준비 자산으로 변환하여 사실적인 변형 시뮬레이션을 구현할 수 있다.

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.