🧠 Most latent-space demos stop at a scatter plot. This one lets you click a point in the UMAP atlas, watch a chair resolve from a 256-dim code, then scrub a slider and see it melt into a lamp, meshed live from a neural SDF. Point clouds, geodesic paths, 64³ to 128³, all in WebGL. 🔗 webgpu.com/showcase/latentsd… #WebGL #ThreeJS #DeepSDF #MachineLearning #CreativeCoding

【3D生成AIによる設計探査】3月12日、日刊工業新聞社様主催にて「3D生成AI×構造設計が拓く 新世代の機械設計手法」と題した半日間の本格的なWEBセミナーに登壇します。 （ライブ配信＋後日10日間の録画視聴可能） 現在、製造業のR&Dにおいて「生成AIをどう活用するか」が喫緊の課題となっていますが、LLMや画像生成AIをそのまま機械設計に持ち込んでも、機能しません。なぜなら、それらのAIには「力学的情報（物理法則・制約条件）」が致命的に欠如しているからです。 従来のトポロジー最適化は、与えられた境界条件に対する「単一の最適解」を求める強力な手法でした。しかし、近年の自動車開発に見られるギガキャスト（一体成形）や、マルチマテリアル化、衝突安全性の確保など、トレードオフが極めて複雑に絡み合う現代の設計要求に対しては、単一解の探索ではもはや人間の認知の限界に達しています。 本講座では、以下のパラダイムシフトについて、基礎理論から最新の研究開発動向までを網羅的に解説します。 1️⃣ 画像生成AIと3D生成AIの決定的な違い 2️⃣ 符号付き距離関数（SDF）とDeepSDFによる3次元形状の深層表現 3️⃣ AIに「力学」を教える：Parameter-to-3Dタスクの実現 4️⃣ 衝撃吸収部材への応用と、マルチフィジックスへの拡張可能性 私たちが目指しているのは、単なる自動化ではなく、人間の線形的な思考プロセスからエンジニアを解放し、多次元の設計空間を自由に探査する「設計の拡張」です。 本領域は、テキストや二次元画像の生成AIとは異なり、高品質な3Dデータと物理シミュレーションの統合が不可欠なフロンティアです。 これからの設計プロセスがどのように変容し、どこへ向かうのか。次世代の機械・構造設計を見据えるエンジニア、R&Dマネージャーの皆様に、その最前線をお届けします。 詳細なプログラムと参加登録は以下のリンクよりご確認ください。 corp.nikkan.co.jp/seminars/v… #生成AI #3D生成AI #CAE #機械設計 #構造設計 #ギガキャスト #トポロジー最適化 #DeepLearning

ChatGPTさんによるとこの考え方はOne-class classification / novelty detection, vanishing ideal を学習する代数的手法(VCA, GPCA など), implicit representation/level-set的な表現学習（DeepSDF, Occupancy Networks など）,energy-basedな見方に近いらしい。なるほど。

Image credit: Stephanie Atherton, Marina Levay, Ualibyek Nurgulan, Shree Singhi, Erendiro Pedro; "Topology Control: Training a DeepSDF" (mentor @paulkry): summergeometry.org/sgi2025/t…

DeepSDFってもう研究されてないんかな(ほとんど見ない気がする

#RSJ2025 では共著1件発表です 1L5-02 17:15～ 触覚センサを搭載した多指ロボットハンドの DeepSDFへの適用

2025年8月29日(金)に、日刊工業新聞社様が主催するオンラインセミナーにて講師を務めさせて頂きますので、ご案内申し上げます。 【セミナーのご案内】 3D生成AI×構造設計が拓く 新世代の機械設計手法 ～生成AIを活用した構造・設計探査と自動設計のアプローチ～ 本セミナーでは、近年の発展が著しい生成AI技術を、機械の構造設計にどのように応用していくか、その最先端の動向と具体的なアプローチについて、基礎から応用まで体系的に解説いたします。 従来の構造最適化手法が、設定された条件下で単一の最適解を求めるものであったのに対し、生成AIは性能要件や制約条件から、これまでにない多様な設計案を自動で創出する可能性を秘めています。 講義では、3次元形状を扱う深層表現モデル（DeepSDFなど）の基礎から、力学的情報を組み込んで新たな形状を生成する最新の研究、そしてギガキャスト構造のような実用を想定した応用例まで、幅広くご紹介する予定です。 生成AIが切り拓く、人間の認知能力や既存の発想の枠組みを超える、新しい設計の姿を皆様と共有できることを楽しみにしております。 機械設計やCAEに携わる技術者・研究者の皆様、そして本分野の未来にご関心をお持ちの多くの方々のご参加を、心よりお待ちしております。 ■ 日時: 2025年8月29日（金） 13:00～17:00 ■ 形式: オンラインセミナー（Zoom使用／ライブ配信＋10日間の録画視聴可能） ■ 主催: 日刊工業新聞社 ■ 詳細・お申込み:以下のポストよりご確認ください。 #生成AI #3D生成AI #構造設計 #機械設計 #CAE #セミナー #DX #AI活用 #ものづくり

スパコン「富岳」で実施した2万ケース超の衝突シミュレーション結果を3D生成AIに学習させた結果です．指定する力学的性能要件（衝撃吸収性能，寸法など）を高精度に満足する3D構造を多様なトポロジーで生成できます． 本日，計算工学講演会にて以下のタイトルで発表いたしました：DeepSDFに基づく3D生成AI：21,998ケースのオイラー型弾塑性解析データセットによる訓練と性能評価 *西口 浩司1,2、戸井田 一聖1、千葉 直也3(@n_chiba_ )、干場 大也1、加藤 準治1 (1. 名古屋大学、2. 理化学研究所、3. 大阪大学)

第46期非線形CAE勉強会（Zoom開催）で「構造設計のための3D生成AIの基礎と応用」と題して2時間15分の講義を行います．製品設計への活用に向けた知見を得ることを目的とした内容です．ぜひご参加頂けますと幸いです． 1. 構造設計における課題と生成AIへの期待 ・近年の生成AIの概観 ・3D生成AIとは？（画像生成AIとの比較、Text-to-3Dの現状） 2. 構造設計のための3D生成AI：なぜ難しいのか？どう実現するのか？ ・既存の3D生成AIの限界：力学的情報の欠如 ・力学的情報を持つ大規模データセットの必要性 3. ３次元形状の深層表現モデルの基礎 ・3次元形状のデジタル表現：多様なアプローチ ・符号付き距離関数（SDF: Signed Distance Function）とは？ ・DeepSDF：SDFを学習するニューラルネットワークネットワーク構造（デコーダ型） ・潜在ベクトル (Latent Vector) による多様な形状の学習と生成 4. 力学的パラメータに基づく3D生成AIへの拡張 ・構造設計への応用を目指したDeepSDFの拡張 ・ネットワークアーキテクチャの工夫 ・力学的パラメータと潜在ベクトル、座標情報の統合 ・学習済みモデルの性能検証汎化性能：未知の形状をどの程度正確に再構築できるか？ ・Parameter-to-3Dタスク：指定した力学的パラメータを満たす形状を生成できるか？ 5. 応用例と今後の展望 ・構造設計への応用イメージ（ギガキャスト構造のような一体成型部品の設計支援，衝撃吸収特性など特定の性能を持つ部材の形状提案） ・今後の研究開発の方向性（より複雑な力学特性や製造制約の考慮，大規模言語モデルとの統合） ・自律的な学習・最適化 ・まとめ：3D生成AIが拓く未来の構造設計 詳細情報・申込リンク jancae.org/study/46/index.ht…

#IwakenLab #エンジニア集会 →DeepSDF→NeRF→pi-GAN→Pose-NDF→3D Gaussian Splatting→

3D形状を扱えるDeepSDFという深層学習モデルがあるんだ。興味深い。(マイニューギアに載っていた) 構造力学を考慮した3次元形状深層生成モデルの提案 search.app/YYDBDD96LsZdPJrQ9

【DeepSDF】 ニューラルネットワークを使って物体の表面からの距離（SDF）を学習することで、3Dの物体の形を連続的で滑らかに表現する方法 youtube.com/watch?v=-vZAiQ5U…

LLMと同様に、ニューラル場に基づく3D生成AIでもスケール則が成り立つ可能性が高いと考えています。なぜなら、3D情報の精細さはニューラルネットのパラメータ数に比例するからです。 ただし、力学に裏づけられた大量の3Dデータセットが不足している点が、構造設計に応用する際にボトルネックになります。そこで私が進めている研究は、オイラー型構造解析により、力学に裏づけられた大量の3Dデータセットを合成するアプローチです。 オイラー型構造解析は、計算メッシュ作成が自動かつ高速ですので、スパコンを使えば、例えば数万ケースの3D形状の衝突シミュレーションを容易に実行可能です。 オイラー型構造解析の詳細は、こちらの書籍で詳述しています。また、我々の研究グループが提案した、力学的性能値から3D形状を生成するニューラルフィールド(DeepSDF)ベースの3D生成AIについても解説しています。 amzn.asia/d/bT6oMBc

I'm obsessed with this, I've been dreaming of it since I first saw a t-SNE map of the principal components of DeepSDF. Really want to work on doing this for stable audio latents to make a new age customizable theremin.

I originally developed this tool for MSc students and early PhD students approaching the field. Hope you find this helpful! Kudos to the DeepSDF authors: arxiv.org/pdf/1901.05103.pdf

Excited about Neural Fields and 3D Computer Vision? :) Check out this user-friendly DeepSDF repository: github.com/maurock/DeepSDF/. Unlike other (excellent) resources, you can install it with a single command and use it for both reconstruction and shape completion!

DeepSDF is one of the initial works that eventually led to the proposal of NeRFs for rendering 3D geometries. It is incredibly simple to understand, and (in my opinion) a great building block in knowledge for deeply understanding the NeRF framework. Check out my overview below!

For details, check out my overviews of iMAP and related methods: - DeepSDF: bit.ly/3JItY9d - ONets: bit.ly/3RDO8Dh - SRNs: bit.ly/3HVW93d - LLFF: bit.ly/3Y23d45 - NeRFs: bit.ly/3wRkelo - iMAP: bit.ly/3DJQzhQ [10/10]

For more details on modeling 3D scenes with deep learning, check out my series of overviews: - DeepSDF: bit.ly/3JItY9d - ONets: bit.ly/3RDO8Dh - SRNs: bit.ly/3HVW93d - LLFF: bit.ly/3Y23d45 - NeRFs: bit.ly/3wRkelo [9/9]

Join our 3D Deep Learning reading group to discuss exciting topics like Neural Fields (NeRF, DeepSDF, OccNet, etc.) and their applications in both virtual and physical environments. Please visit 3d-deeplearning-rg.github.io… to sign up!