材料特性推定2026/3/1arXiv:2603.23973

SLAT-Phys: 構造化3D潜在表現からの高速材料特性場予測

SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents

単一のRGB画像から3Dアセットの材料特性場（ヤング率、密度、ポアソン比）を直接推定するエンドツーエンド手法を提案。事前学習済み3D生成モデルの潜在表現を活用し、軽量デコーダで高速かつ高精度な予測を実現。

詳しい要約

1. どんなもの？

- 3D asset の material property field を単一 RGB 画像から予測する end-to-end 手法 SLAT-Phys を提案。 - 予測対象は Young's modulus、density、Poisson's ratio の空間変化場。 - 明示的な 3D reconstruction を必要とせず、physics-based simulation、robotics、digital twin 生成への応用を想定。

2. 先行研究と比べてどこがすごい？

- 既存の vision-based 手法は高コスト・低速、または 3D 情報に依存。 - SLAT-Phys は reconstruction と voxelization の前処理を回避。 - NVIDIA RTXA5000 GPU で 1 物体あたり 9.9 秒、先行手法比 120x の高速化を実現。 - 連続 material parameter 予測で競争力のある精度を維持。

3. 技術・手法の肝は？

- 事前学習済み 3D asset 生成モデルの spatially organised latent features を活用。 - この latent は豊富な geometry と semantic prior を符号化。 - 軽量な neural decoder を学習し、Young's modulus、density、Poisson's ratio を推定。 - latent 表現の coarse volumetric layout と semantic cues が正確な material 推定を可能にする。

4. どうやって有効だと検証した？

- 実験により、連続 material parameter 予測で先行手法と比較して競争力のある精度を示す。 - 計算時間を大幅に削減し、1 物体 9.9 秒（NVIDIA RTXA5000 GPU）を達成。 - reconstruction と voxelization 前処理を不要にし、先行手法比 120x の高速化を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究は不明。 - 関連手法として vision-based material property estimation、3D asset generation model、physics-based simulation の分野の定番研究が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Rocktim Jyoti Das, Dinesh Manocha

分類: cs.CV, cs.GR, cs.RO

原文アブストラクト

Estimating the material property field of 3D assets is critical for physics-based simulation, robotics, and digital twin generation. Existing vision-based approaches are either too expensive and slow or rely on 3D information. We present SLAT-Phys, an end-to-end method that predicts spatially varying material property fields of 3D assets directly from a single RGB image without explicit 3D reconstruction. Our approach leverages spatially organised latent features from a pretrained 3D asset generation model that encodes rich geometry and semantic prior, and trains a lightweight neural decoder to estimate Young's modulus, density, and Poisson's ratio. The coarse volumetric layout and semantic cues of the latent representation about object geometry and appearance enable accurate material estimation. Our experiments demonstrate that our method provides competitive accuracy in predicting continuous material parameters when compared against prior approaches, while significantly reducing computation time. In particular, SLAT-Phys requires only 9.9 seconds per object on an NVIDIA RTXA5000 GPU and avoids reconstruction and voxelization preprocessing. This results in 120x speedup compared to prior methods and enables faster material property estimation from a single image.

arXivで原文を読む →arXiv概要ページ

← 論文一覧