Incontra PhysGaussian una tecnica di intelligenza artificiale che produce una sintesi del movimento di alta qualità integrando la dinamica newtoniana fisicamente fondata in Gaussiane 3D

Scopri PhysGaussian l'Intelligenza Artificiale che combine la dinamica newtoniana fisicamente fondata con l'eleganza della sintesi del movimento 3D di alta qualità

I progressi nella grafica 3D e nella percezione sono stati dimostrati dai recenti progressi nei Neural Radiance Fields (NeRF). Inoltre, il framework 3D Gaussian Splatting (GS) all’avanguardia ha migliorato questi miglioramenti. Nonostante diversi successi, è necessario creare ulteriori applicazioni per creare nuove dinamiche. Mentre esistono sforzi per produrre posizioni nuove per NeRF, il team di ricerca è principalmente concentrato su lavori di modifica della forma quasi-statica e spesso ha bisogno di meshing o di incorporare la geometria visiva in reti proxy approssimative, come i tetraedri. Costruire la geometria, prepararla per la simulazione (spesso utilizzando cationi tetraedrici), modellarla utilizzando la fisica e quindi visualizzare la scena sono stati tutti passi laboriosi nel tradizionale pipeline di creazione di contenuti visuali basati sulla fisica.

Nonostante la sua efficacia, questa sequenza contiene passaggi intermedi che possono causare discrepanze tra la simulazione e la visualizzazione finale. Una tendenza simile si osserva anche all’interno del paradigma NeRF, in cui una geometria di simulazione è intrecciata con la geometria di rendering. Questa separazione contraddice il mondo naturale, in cui le caratteristiche fisiche e l’aspetto dei materiali sono indissolubilmente legati. La loro teoria generale mira a conciliare questi due aspetti attraverso il supporto di un singolo modello di un materiale utilizzato per la resa e la simulazione. I progressi nella grafica 3D e nella percezione sono stati dimostrati dai recenti progressi nei Neural Radiance Fields (NeRF). Inoltre, il framework 3D Gaussian Splatting (GS) all’avanguardia ha migliorato questi miglioramenti.

Nonostante diversi successi, è necessario creare ulteriori applicazioni per creare nuove dinamiche. Mentre esistono sforzi per produrre posizioni nuove per NeRF, il team di ricerca è principalmente concentrato su lavori di modifica della forma quasi-statica e spesso ha bisogno di meshing o di incorporare la geometria visiva in reti proxy approssimative, come i tetraedri. Costruire la geometria, prepararla per la simulazione (spesso utilizzando cationi tetraedrici), modellarla utilizzando la fisica e quindi visualizzare la scena sono stati tutti passi laboriosi nel tradizionale pipeline di creazione di contenuti visuali basati sulla fisica. Nonostante la sua efficacia, questa sequenza contiene passaggi intermedi che possono causare discrepanze tra la simulazione e la visualizzazione finale.

Una tendenza simile si osserva anche all’interno del paradigma NeRF, in cui una geometria di simulazione è intrecciata con la geometria di rendering. Questa separazione contraddice il mondo naturale, in cui le caratteristiche fisiche e l’aspetto dei materiali sono indissolubilmente legati. La loro teoria generale mira a conciliare questi due aspetti attraverso il supporto di un singolo modello di un materiale utilizzato per la resa e la simulazione. Il loro metodo promuove essenzialmente l’idea che “ciò che si vede è ciò che si simula” (WS2) per ottenere una combinazione più autentica e coesa di simulazione, acquisizione e rendering. I ricercatori dell’UCLA, dell’Università di Zhejiang e dell’Università dello Utah offrono PhysGaussian, una Gaussiana 3D integrata alla fisica per dinamiche generative, per raggiungere questo obiettivo.

Grazie a questo metodo innovativo, le Gaussiane 3D possono ora catturare dinamiche newtoniane fisicamente accurate, complete di comportamenti realistici e degli effetti di inerzia caratteristici dei materiali solidi. Più precisamente, il team di ricerca fornisce alla fisica delle Gaussiane 3D qualità meccaniche come energia elastica, stress e plasticità, così come caratteristiche cinematiche come velocità e deformazione. PhysGaussian, notevole per il suo utilizzo di un Material Point Method (MPM) su misura e concetti della fisica del continuo, garantisce che le Gaussiane 3D guidino sia la simulazione fisica che la rappresentazione visiva. Di conseguenza, non c’è più bisogno di processi di incorporazione e viene eliminata ogni discrepanza o mancata corrispondenza di risoluzione tra i dati visualizzati e i dati simulati. Il team di ricerca dimostra come PhysGaussian possa creare dinamiche generative in vari materiali, tra cui metalli, oggetti elastici, materiali viscoplastici non newtoniani (come schiuma o gel) e mezzi granulari (come sabbia o terra).

In sintesi, i loro contributi consistono in:

• Meccanica del continuo per cinematica gaussiana 3D: Il team di ricerca fornisce un metodo basato sulla meccanica del continuo appositamente progettato per la crescita di kernel gaussiani 3D e gli armonici sferici che il team di ricerca produce nei campi di spostamento controllati da equazioni differenziali parziali (PDE) fisiche.

• Processo di simulazione-rendering unificato: Utilizzando una singola rappresentazione gaussiana 3D, il team di ricerca offre un processo di simulazione e rendering efficace. La procedura di creazione del movimento diventa molto più semplice eliminando la necessità di meshing esplicito degli oggetti.

• Benchmarking ed esperimenti adattabili: Il team di ricerca effettua ampi esperimenti e benchmark su vari materiali. Il team di ricerca ha ottenuto prestazioni in tempo reale per scenari di dinamiche di base grazie a simulazioni MPM efficaci e rendering GS in tempo reale.