[論文レビュー] HOOD: Hierarchical Graphs for Generalized Modelling of Clothing Dynamics

Artur Grigorev, Bernhard Thomaszewski+2 more|arXiv (Cornell University)|Dec 14, 2022

3D Shape Modeling and Analysis被引用数 5

ひとこと要約

HOODは、階層的メッセージスティングと教師なし学習を用いて、衣類の種類、ボディーシェイプ、トポロジーおよび材料特性の変化を網羅的に一般化可能な、リアルタイムで物理的に現実的な衣類ダイナミクスのシミュレーションを実現するグラフニューラルネットワークベースの手法を導入する。従来の学習ベースの手法と比較して、優れた現実性と効率性を達成している。

ABSTRACT

We propose a method that leverages graph neural networks, multi-level message passing, and unsupervised training to enable real-time prediction of realistic clothing dynamics. Whereas existing methods based on linear blend skinning must be trained for specific garments, our method is agnostic to body shape and applies to tight-fitting garments as well as loose, free-flowing clothing. Our method furthermore handles changes in topology (e.g., garments with buttons or zippers) and material properties at inference time. As one key contribution, we propose a hierarchical message-passing scheme that efficiently propagates stiff stretching modes while preserving local detail. We empirically show that our method outperforms strong baselines quantitatively and that its results are perceived as more realistic than state-of-the-art methods.

研究の動機と目的

• スキンニングベースのディープラーニング手法が、ゆるいまたは自由に流れ出る衣類では失敗することを克服すること。
• 推論時において、未学習の衣類、ボディーシェイプ、材料やトポロジーの動的変化に対しても一般化できること。
• 教師データが不要な状態で、リアルな衣類ダイナミクスの効率的でリアルタイムのシミュレーションを達成すること。
• 標準的なGNNの信号伝播が、布地における高速な弾性波のシミュレーションで遅延することを解決すること。
• 1つの訓練済みモデルで、動的トポロジー変化（例：ボタンの開閉）と可変材料パラメータをサポートすること。

提案手法

• HOODは階層的グラフ表現を用いて、粗いレベルで剛性の高い伸縮モードの信号伝播を加速させつつ、細かいレベルで詳細を保持する、多段階のメッセージスティングを可能にする。
• 本手法は、局所的なメッシュ特徴、力、変形に基づいてノード加速度を予測するためのグラフニューラルネットワークを採用する。
• 教師なし学習スキームは、時間積分の暗黙的ステップに適したインクリメンタルポテンシャル定式化を微分可能損失として用い、教師データの必要性を排除する。
• 入力特徴には、リラクゼーションエッジ長さや材料パラメータ（例：曲げ係数）を含め、実行時におけるサイズ変更や材料変更を可能にする。
• トポロジー変化は、ボタンの開閉などのシミュレーションを可能にするために、グラフ内でエッジを動的に追加または削除することでモデル化される。
• 微分可能物理損失を用いたエンドツーエンドの訓練により、接触力、摩擦、衝突応答を暗黙的に学習できる。

実験結果

リサーチクエスチョン

• RQ1 1つのディープラーニングモデルが、再訓練なしに多様で未学習の衣類やボディーシェイプに一般化可能か？
• RQ2 GNNにおける階層的メッセージスティングは、布地における高速な弾性波伝播を効率的にシミュレートできるか、かつ局所的詳細を保持できるか？
• RQ3 微分可能物理損失を用いた教師なし学習により、教師データのない動きデータでもリアルな衣類ダイナミクスを生成できるか？
• RQ4 推論時において、材料パラメータやトポロジーの動的変化（例：ボタンの開閉）をサポートできるか？
• RQ5 最先端の手法と比較して、現実性と計算効率の両面で、本モデルの性能はどの程度か？

主な発見

• HOODは、シミュレーション精度において強力なベースラインを定量的に上回っており、ユーザー調査でもより現実的であると評価された。
• 本モデルは、学習データセットに含まれないまったく新しい衣類、例えばスカートやドレスなど、全く異なるタイプの衣類に対しても一般化可能である。
• HOODは、推論時にリラクゼーションエッジ長さを変更することで、材料パラメータや衣類のサイズの変更を実行可能にしている。
• 本手法は、ボタンの接続を切り替えたりするような動的トポロジー変化を、再訓練なしに自然に処理できる。
• 階層的メッセージスティングスキームにより、標準的なGNNよりも高速かつ安定した信号伝播が実現され、過剰な伸びのアーティファクトが低減された。
• 教師なし学習スキームにより、接触や摩擦といった複雑な物理的挙動が、いかなる教師データも使用せずに正しく学習された。