机构名称：
¥ 1.0
形状通常旨在满足结构的适当状态，并在物理世界中提供特定的功能。不幸的是，大多数现有的生成模型主要是基于几何或视觉合理性，而无视物理或结构约束。为了补救这一点，我们提出了一种新颖的方法，旨在赋予深层生成模型的物理推理。特别是我们引入了一个损失和学习框架，该框架促进了生成形状的两个关键特征：它们的连通性和身体稳定性。前者确保每个产生的形状由单个连接的组件组成，而后者则在受重力时促进该形状的稳定性。我们提出的身体损失是完全不同的，我们证明了它们在端到端学习中的使用。至关重要的是，我们可以证明可以实现此类物理目标，而无需牺牲模型的表达能力和生成结果的可变性。我们通过与状态的深层生成模型，我们所提出的方法的效用和效率进行了广泛的比较，同时避免了训练时可能昂贵的可分化物理模拟。
3D形状建模的物理意识的生成网络
主要关键词
相关文件推荐
