SLAT-Phys：構造化3Dラテントからの高速な材料特性フィールド予測

Abstract

3Dアセットの材料物性フィールドを推定することは、物理ベースのシミュレーション、ロボティクス、デジタルツイン生成にとって重要です。既存の視覚ベースの手法は、計算コストが高く遅すぎるか、あるいは3D情報に依存しています。私たちは、明示的な3D再構成なしに、単一のRGB画像から3Dアセットの空間的に変化する材料物性フィールドを直接予測するエンドツーエンド手法であるSLAT-Physを提案します。提案手法は、事前学習済みの3Dアセット生成モデルから得られる、空間的に整理された潜在特徴を活用します。この特徴は、豊かな幾何情報とセマンティックな事前知識をエンコードしており、軽量なニューラルデコーダを学習して、ヤング率、密度、およびポアソン比を推定します。潜在表現における、物体の幾何と外観に関する粗いボリュメトリックな配置とセマンティックな手がかりにより、材料推定の精度が高まります。実験の結果、私たちの手法は、従来手法と比較して連続的な材料パラメータの予測において競争力のある精度を提供しつつ、計算時間を大幅に削減できることを示しました。具体的に、SLAT-PhysはNVIDIA RTXA5000 GPU上で物体あたり9.9秒のみを要し、再構成とボクセル化の前処理を回避します。これにより従来手法に比べて120倍の高速化が実現し、単一画像からの材料物性推定がより迅速に行えるようになります。