ContourCraft: Learning to Resolve Intersections in Neural Multi-Garment Simulations

要約

近年、布地シミュレーションに対する学習ベースのアプローチがその可能性を示し始めています。
ただし、ニューラル シミュレーションにおける衝突と交差の処理は、ほとんど未解決の問題のままです。
この研究では、ニューラル クロス シミュレーションで交差を処理す​​るための学習ベースのソリューションである \moniker{} を紹介します。
交差のない入力に大きく依存する従来のアプローチとは異なり、\moniker{} は、衝突の見逃し、自己貫通物体、または手動で設計された多層装備のエラーによって生じた交差から確実に回復します。
\moniker{} の技術的核心は、相互貫通にペナルティを与え、その迅速な解決を促進する新しい交差輪郭損失です。
交差損失と衝突回避反発目的を、グラフ ニューラル ネットワーク (GNN) に基づくニューラル クロス シミュレーション手法に統合します。
私たちは、ダイナミックな人間の動きの下で、挑戦的な一連の多様な多層衣装にわたって私たちのメソッドの能力を実証します。
私たちの広範な分析により、 \moniker{} は学習済みシミュレーションの衝突処理を大幅に改善し、視覚的に説得力のある結果を生成することがわかりました。

要約(オリジナル)

Learning-based approaches to cloth simulation have started to show their potential in recent years. However, handling collisions and intersections in neural simulations remains a largely unsolved problem. In this work, we present \moniker{}, a learning-based solution for handling intersections in neural cloth simulations. Unlike conventional approaches that critically rely on intersection-free inputs, \moniker{} robustly recovers from intersections introduced through missed collisions, self-penetrating bodies, or errors in manually designed multi-layer outfits. The technical core of \moniker{} is a novel intersection contour loss that penalizes interpenetrations and encourages rapid resolution thereof. We integrate our intersection loss with a collision-avoiding repulsion objective into a neural cloth simulation method based on graph neural networks (GNNs). We demonstrate our method’s ability across a challenging set of diverse multi-layer outfits under dynamic human motions. Our extensive analysis indicates that \moniker{} significantly improves collision handling for learned simulation and produces visually compelling results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google