材料パラメータ推定2026/10/13arXiv:2610.17591

多視点変形動画からの物理場を介した材料パラメータ推定

Physical-Field-Bridged Material Parameter Inference from Multi-View Deformation Videos

多視点RGB動画から、力・接触マスクや応力応答マップなどの物理場を予測し、それを介して材料の種類分類と連続パラメータ回帰を単一パスで行うフレームワークを提案。

詳しい要約

1. どんなもの？

- 多視点RGB変形動画から、シミュレーション可能な材料パラメータを推定するタスクを扱う。 - 材料特性は物理応答を通じて間接的にしか現れないため困難。 - physical-field-bridged material inference という単一パス枠組みを提案。 - 密な物理応答を橋渡しに使い、constitutive-type classification と連続パラメータ回帰を行う。 - DeformFieldBench という3DGS MPM学習環境も構築。

2. 先行研究と比べてどこがすごい？

- 逆物理手法は per-scene reconstruction、online tuning、simulation-in-the-loop optimization を必要とする。 - 提案法は単一パスで、これらを不要にする。 - 外観やカテゴリのショートカットへの依存を減らす。 - 4つの連続パラメータすべてで最良の中央誤差を達成。 - stress-hotspot recall を0.0762から0.5121へ改善。 - 推論と未来状態予測が約30秒で、per-scene optimization の15-120分より高速。

3. 技術・手法の肝は？

- 密な物理応答を橋渡しとして使う単一パス枠組み。 - force/contact masks、projected motion-flow fields、projected stress-response maps を予測。 - これらのフィールドに条件付けして材料推論を行う。 - 外観やカテゴリのショートカットへの依存を低減。 - DeformFieldBench は3DGS MPM学習環境で、100形状・5荷重モード・5,000シミュレーションを含む。 - 密なピクセル整列物理監督を提供。

4. どうやって有効だと検証した？

- DeformFieldBench 上で評価。 - 4つの連続パラメータすべてで最良の中央誤差。 - stress-hotspot recall が0.0762から0.5121に向上。 - 未見物体の同一シミュレータリプレイで0.8676 SSIM / 36.82 dB PSNR。 - protocol-matched GSO評価で推論と未来状態予測が約30秒。 - 5つの実世界シーケンスで測定可能なリプレイ一致を確認。

5. 議論はある？

- 密な物理フィールドが高速材料推論の有効な橋渡しとなることを支持。 - 一方、cross-simulator と実世界テストは残存するドメインギャップと同定性ギャップを明らかにする。 - これらのギャップの詳細や限界の定量的分析は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている inverse-physics methods、per-scene reconstruction、online tuning、simulation-in-the-loop optimization に関する研究。 - DeformFieldBench や 3DGS MPM に関連する研究。 - GSO 評価プロトコルに関連する研究。 - 同分野の定番として、deformable-object manipulation や material parameter estimation の一般的な手法。

※ 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: Linrui Shou, Jie Li, Yu Liu, Tao Huang

分類: cs.CV, cs.RO

原文アブストラクト

Estimating simulation-ready material parameters from visual observations is crucial for deformable-object manipulation but challenging because material properties are only indirectly revealed through physical responses. We introduce physical-field-bridged material inference, a single-pass framework that uses dense physical responses to connect multi-view RGB deformation videos with constitutive-type classification and continuous parameter regression. Unlike inverse-physics methods requiring per-scene reconstruction, online tuning, or simulation-in-the-loop optimization, our model predicts force/contact masks, projected motion-flow fields, and projected stress-response maps, then conditions material inference on these fields to reduce reliance on appearance or category shortcuts. We construct DeformFieldBench, a 3DGS MPM learning environment comprising 5,000 simulations across 100 object shapes and five mechanically informative loading modes, with dense pixel-aligned physical supervision. Our method achieves the best median errors on all four continuous parameters, improves stress-hotspot recall from 0.0762 to 0.5121, and attains 0.8676 SSIM/36.82 dB PSNR in same-simulator replay on unseen objects. Under a protocol-matched GSO evaluation, inference and future-state prediction take approximately 30 seconds, compared with 15-120 minutes for per-scene optimization. The method also yields measurable replay agreement on five real-world sequences. These results support dense physical fields as an effective bridge for fast material inference, while cross-simulator and real-world tests reveal remaining domain and identifiability gaps.

arXivで原文を読む →arXiv概要ページ

← 論文一覧