基于三维网格卷积的布料仿真模拟

针对当前布料仿真中模拟成本高且耗时长的问题,提出一种直接对三维布料网格卷积的布料模拟方法。对三维布料网格进行螺旋卷积,使用点填充方法增加采样点,存储局部域;采用顶点抽取算法对局部块进行池化,使用基于Gauss-Bonnet定理曲率的惩罚因子对顶点抽取算法进行增强,当局部块数量小于开始时数量的60%时停止顶点抽取;最后训练神经细分网络对抽取后的整体网格进行上采样,其中使用改进的蝶形细分算法生成新顶点。实验结果表明,与目前已有方法相比,该布料模拟方法能够保留丰富真实的褶皱,减少模拟成本和时间,是一种高效的布料模拟方法。

布料与精细建模物体间的碰撞检测算法研究

为解决布料与精细建模物体间碰撞检测速度慢、剔除率低等问题,提出简化模型的有向包围盒(OBB)算法和使用深度神经网络优化的连续碰撞检测(CCD)算法提高碰撞检测效率。在粗略检测阶段,提出一种简化模型的OBB算法,对于精细建模物体使用二次误差度量的表面简化法对精细模型进行简化,将简化后的模型嵌入原模型中,并利用一种快速自适应的OBB算法对简化后的模型构建包围盒。对于布料模型,构建固定球形-轴向混合包围盒和碰撞检测包围盒树。在精确检测阶段,采用全连接深度神经网络学习滤波器剔除在粗略检测阶段未发生碰撞的碰撞对,使用训练后的最优深度神经网络模型优化连续碰撞检测算法。实验结果表明,使用简化程度为90%的模型构建的OBB可以完全替代原模型的OBB,所提简化模型的OBB算法与传统OBB包围盒算法及快速自适应包围盒算法相比,在耗时上分别缩短了约64.6%、35.8%。在布料与精细建模物体交互的场景下,使用深度神经网络优化的CCD算法比使用不同类型滤波器优化的CCD算法速度更快,耗时缩短了约7%~11%。

基于改进Transformer的布料材质识别方法研究

布料材质识别是一个极具挑战性的计算机视觉问题。针对传统识别方法存在的识别周期长、人为因素多、技术壁垒高以及有破坏性等缺点,提出了一种基于改进Transformer的布料材质识别方法,该方法利用输入的布料运动视频,通过布料运动的外观变化识别布料的材质类型。改进的Transformer模型由Transformer块和残差空间缩减块(Residual Spatial Reduction)组成,将Transformer块中的自注意力分解为时间自注意力和空间自注意力来减少计算量和运行时间,将两个残差空间缩减块添加进Transformer模型中来减少空间冗余信息和提高布料材质识别的准确率。此外,使用预训练的图像模型对视频模型初始化,可以在减少计算量的同时保持模型的高性能。在布料运动数据集上的实验结果表明,本文方法对12种不同布料材质视频的材质种类识别的准确率达到82.3%,相比其他方法,该方法的识别精度更高。

基于子图卷积神经网络的多精度服装建模方法

现有融合机器学习的服装仿真方法大多在单一精度网格上进行仿真,导致在变形较小的区域内进行不必要的计算。提出一种基于子图卷积神经网络的多精度服装建模方法。采用基于物理模拟的方法进行服装仿真,利用瑞利熵曲率计算服装各区域的平均变形度,依据平均变形度对服装网格阈值进行划分,构建与原始网格相对应的多精度服装网格。结合人体结构化模型,从多精度服装网格中提取基于时空的多精度服装图结构。在此基础上,利用子图卷积神经网络为给定顶点采样邻居节点,通过聚合给定顶点和邻居节点的特征,以更新顶点特征数据。实验结果表明,与TailorNet方法相比,该方法的布料计算效率提升25.3%,不仅保留了从物理模拟中学习的褶皱,而且具有更加真实的模拟效果,并提高了计算效率。