Adaptieve volumetrische mechanische eigenschappenvelden invariant voor resolutie

Samenvatting

Nauwkeurige mechanische eigenschappen (van materialen) zoals de elasticiteitsmodulus (E), de dwarscontractiecoëfficiënt (ν) en de dichtheid (ρ) zijn essentieel voor betrouwbare fysische simulaties van digitale werelden, maar de meeste 3D-objecten beschikken niet over deze informatie. Wij stellen AdaVoMP voor, een methode voor het voorspellen van nauwkeurige, dichtheidsvariërende (E, ν, ρ) voor invoer-3D-objecten ongeacht hun representatie, met verbeteringen in resolutie, nauwkeurigheid en geheugenefficiëntie ten opzichte van de huidige stand der techniek. De basis van onze techniek is een schaarse en adaptieve voxelstructuur SAV die zowel de invoer-3D-vorm als de materiaalveld-uitvoer efficiënt representeert. We vervangen het vaste-voxelmodel van de meest nauwkeurige eerdere methode, VoMP, door een nieuw schaars transformer-encoder-decodermodel dat leert om voor elke invoervorm autonoom een unieke SAV te genereren om de materialen ervan te representeren, wat een resolutie oplevert die 16³ keer hoger is dan die van eerdere technieken. Experimenten tonen aan dat AdaVoMP nauwkeurigere volumetrische eigenschappen schat, zelfs met minder rekentijd tijdens het testen dan alle eerdere technieken. Dit stelt ons in staat om complexe 3D-objecten met hoge resolutie om te zetten in simulatieklare assets, wat leidt tot realistische vervormbare simulaties.

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.