MARC

 008250123s2024        us                              c    eng  d
■001000017164285
■00520250211152943
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342138611
■035    ▼a(MiAaPQ)AAI31591783
■035    ▼a(MiAaPQ)Stanfordmf757zb2546
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a646
■1001  ▼aJin,  Yongxu.
■24510▼aCombining  Neural  Networks  and  Physics-Based  Simulation  for  Cloth  and  Flesh  Dynamics
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a85  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Fedkiw,  Ron.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aPhysics-based  simulation  techniques  have  long  been  established  for  various  offline  applications,  yet  real-time  dynamic  simulation  remains  a  formidable  challenge.  Despite  advancements  in  modern  game  engines  like  Unreal  Engine  5,  achieving  high-resolution,  real-time  simulation  capabilities  remains  limited.  Recently,  researchers  have  shown  interest  in  using  neural  networks  to  approximate  dynamic  simulation,  thanks  to  their  fast  inference  on  GPUs.  However,  although  effective  at  approximating  kinematics  or  quasistatic  simulation,  purely  data-driven  approaches  often  struggle  with  dynamic  simulations  (involving  velocity  and  momentum  information)  due  to  potential  overfitting  and  poor  generalization  with  time  series  data.  This  limitation  makes  them  unsuitable  for  real-world  applications.  Other  efforts  have  tried  using  neural  networks  to  upsample  real-time,  low-resolution  simulations,  but  achieving  good  low-resolution  results  with  conventional  methods  is  very  challenging.This  thesis  aims  to  pioneer  a  paradigm  for  real-time,  high-fidelity  physics  simulation,  with  a  focus  on  practical  implementation  within  current  game  engines.  Motivated  by  recent  advancements  in  neural  networks  for  capturing  quasistatic  simulations  (referred  to  as  quasistatic  neural  networks,  or  QNNs),  we  propose  to  rethink  the  need  for  dynamic  components  given  QNN-based  enhancements  and  redesign  real-time  physics  models  to  primarily  capture  the  ballistic  motion  of  full  dynamics,  which  can  then  be  enhanced  by  QNNs  to  obtain  the  full  shape.  These  meticulously  designed  physics  models  ensure  stability,  robustness,  and  performance  that  surpass  real-time  requirements.  Concurrently,  the  lightweight  QNNs  can  capture  quasistatic  shapes,  facilitating  ease  of  training  and  robust  generalization.  This  thesis  comprises  two  primary  papers:  one  addressing  human  flesh  simulation  and  the  other  focusing  on  the  simulation  of  loose-fitting  clothing.
■590    ▼aSchool  code:  0212.
■650  4▼aClothing
■650  4▼aComputer  &  video  games
■650  4▼aPhysics
■650  4▼aSuccess
■650  4▼aOrdinary  differential  equations
■650  4▼aNeural  networks
■650  4▼aBones
■650  4▼aComputer  science
■650  4▼aMathematics
■690    ▼a0605
■690    ▼a0800
■690    ▼a0984
■690    ▼a0405
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164285▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books