Адаптивные объемные поля механических свойств, инвариантные к разрешению

Аннотация

Точные механические свойства (или материаловедческие) — модуль Юнга (E), коэффициент Пуассона (ν) и плотность (ρ) — являются необходимыми для достоверного физического моделирования цифровых миров, однако большинство 3D-ресурсов не содержат эту информацию. Мы предлагаем AdaVoMP — метод прогнозирования точных плотных пространственно-варьирующихся (E, ν, ρ) для входных 3D-объектов разных представлений, улучшающий разрешение, точность и эффективность использования памяти по сравнению с современным уровнем техники. Основой нашего подхода является разреженная и адаптивная воксельная структура SAV, которая эффективно представляет как входную 3D-форму, так и выходное поле материала. Мы заменяем модель с фиксированным вокселем наиболее точного предшествующего метода VoMP на новую модель кодер-декодер на основе разреженного трансформера, которая авторегрессивно учится генерировать уникальную SAV для каждой входной формы, чтобы представлять её материалы, достигая разрешения в 16^3 раз выше, чем в предшествующих работах. Эксперименты показывают, что AdaVoMP оценивает более точные объёмные свойства даже при меньших вычислительных затратах во время тестирования по сравнению со всеми предшествующими подходами. Это позволяет нам преобразовывать сложные 3D-объекты высокого разрешения в ресурсы, готовые к симуляции, что приводит к реалистичным симуляциям деформируемых тел.

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.