Mar, 2024

一种基于物理的深度学习框架用于布料模拟

PDF
TL;DR通过物理嵌入学习框架，使用卷积神经网络代表物体之间的空间相关性，并通过三个分支学习布料物理的线性、非线性和时间导数特征，模型通过与传统模拟器或子神经网络相结合，测试在不同的布料动画案例中达到与基准值的一致性和预测的真实性，同时提高了推理效率，可与其他视觉细化技术整合应用于三维布料动画。
cloth simulationsdeep learningphysics-embedded learning frameworkconvolutional neural networksimulation efficiency
发现论文，激发创造
  • 神经布料模拟：神经变形场满足 Kirchhoff-Love 薄壳理论

    基于神经网络权重的新的连续坐标表达动态表面的布料模拟方法 NeuralClothSim 在现有的有限元模拟方法的基础上提出了一种新的解决方案，通过神经网络权重编码表面演化，并使用 Kirchhoff-Love 壳理论的规则进行 NDF 演化的监督，解决了现有布料模拟方法的空间、时间和存储限制等问题，同时展示了材料插值和模拟编辑等多个应用，实验证明了该方法的有效性和潜在影响。

    Aug, 2023

  • DeepCloth: 基于神经网络的服装表征方法用于形状和风格编辑

    本文提出了 DeepCloth，它是一个针对服装表示、重建、动画和编辑的统一框架，它包含了三个组件：拓扑感知的 UV 位置图、连续特征空间中的嵌入和服装动画方法。这个方法可以实现更加灵活、通用的 3D 服装数字化框架。

    Nov, 2020

  • 全卷积图神经网络用于参数虚拟试穿

    提出了一种基于全卷积图神经网络的学习方法，用于虚拟试穿应用。该方法可以适用于许多服装类型，并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模，我们的模型学习了更精细的细节，提高了试穿模型的性能。

    Sep, 2020

  • 基于神经网络的宽松服装处理方法

    通过使用实时数值算法来粗略地近似动态模式，然后使用神经网络重建表面并通过准静态神经网络添加高频变形，以实现对松散服装的实时性能改进。

    Apr, 2024

  • 多层 3D 服装动画

    本文提出了一种名为 LayersNet 的数据驱动方法来对多层服装进行建模并以微物理系统中的粒子相互作用为驱动，引入一种新的旋转等效变换以更好地模拟外部力，最终通过一个包含 700K 帧的数据集 D-LAYERS 进行验证并展示出优异的表现。

    May, 2023

  • GarNet：一种用于快速准确的三维布料披覆的双流网络

    该论文提出了一种名为 GarNet 的两流体系结构，利用深度网络从三维点云中提取不同级别的服装特征，并将其与从三维物体并行提取的特征融合，以建模衣物 - 身体交互，最终可在 100 倍速下生成视觉上合理的服装形状，同时平均三维点距离少于 1 厘米，可用于不同类型衣服的建模。

    Nov, 2018

  • 虚拟试穿服装的基于学习的动画

    本文提出了一种基于学习的服装动画方法，用于高效的虚拟试穿模拟，其中使用了基于物理的模拟，基于数据库的模型训练，并将全局服装吻合和局部服装皱纹分离。同时，使用循环神经网络来回归服装皱纹，实现了高度逼真的非线性效果。

    Mar, 2019

  • 物理结合的卷积循环神经网络用于动态系统的源识别和预测

    本文介绍 PhICNet 的混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。实验结果表明，该模型可以长时间预测动态和确定外部引力源。

    Apr, 2020

  • 3D-PhysNet: 学习非刚性对象变形的直观物理

    本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

    Apr, 2018

  • 应用物理学知识的操作符回归框架，用于提取数据驱动的连续模型

    采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。

    Sep, 2020