Ricercatori dell’ETH Zurigo e del Max Planck propongono HOOD un nuovo metodo che sfrutta le reti neurali grafiche, il passaggio di messaggi a più livelli e l’addestramento non supervisionato per consentire una previsione efficiente delle dinamiche realistiche dei vestiti.

Researchers from ETH Zurich and Max Planck propose HOOD, a new method that leverages graphical neural networks, multi-level message passing, and unsupervised training to enable efficient prediction of realistic clothing dynamics.

Telepresenza, prova virtuale, videogiochi e molte altre applicazioni che dipendono da esseri digitali ad alta fedeltà richiedono la capacità di simulare un comportamento realistico e attraente dei vestiti. L’utilizzo di simulazioni basate sulle leggi fisiche è un metodo popolare per produrre movimenti dinamici naturali. Sebbene la simulazione fisica possa fornire risultati straordinari, è costosa da calcolare, sensibile alle circostanze iniziali e richiede animatori esperti; i metodi all’avanguardia non sono progettati per soddisfare i rigidi budget computazionali necessari per le applicazioni in tempo reale. Le tecniche basate sull’apprendimento profondo stanno iniziando a produrre risultati efficienti e di alta qualità.

Tuttavia, fino ad ora, diverse restrizioni hanno impedito a tali metodi di realizzare tutto il loro potenziale. In primo luogo, le tecniche attuali calcolano le deformazioni dei vestiti principalmente come una funzione della postura del corpo e si basano su skinning a miscela lineare. Sebbene i piani basati su skinning possano fornire risultati impressionanti per abiti aderenti come camicie e abbigliamento sportivo, hanno bisogno di aiuto per abiti, gonne e altri capi di abbigliamento larghi che non imitano esattamente il movimento del corpo. Inoltre, molte tecniche di apprendimento all’avanguardia sono specifiche per un determinato indumento e possono prevedere solo deformazioni per l’outfit specifico su cui sono state addestrate. L’applicazione è limitata dalla necessità di riallenare queste tecniche per ogni indumento.

Nei loro studi, i ricercatori dell’ETH di Zurigo e dell’Istituto Max Planck per i sistemi intelligenti presentano un metodo unico per prevedere le deformazioni dinamiche dei vestiti utilizzando i grafi neurali (GNN). Attraverso inferenze logiche sulla relazione tra deformazioni locali, pressioni e accelerazioni, il loro approccio impara a prevedere il comportamento di tessuti fisicamente realistici. Il loro approccio si generalizza direttamente a forme e movimenti corporei arbitrari grazie alla sua localizzazione, indipendentemente dalla struttura e dalla forma generale dell’indumento. Tuttavia, i GNN hanno mostrato promesse nella sostituzione della simulazione basata sulla fisica, ma l’applicazione di questa idea alla simulazione dei vestiti produce risultati insoddisfacenti. I vettori delle caratteristiche di una determinata mesh per i vertici e il loro vicinato a un anello vengono trasformati localmente utilizzando i GNN (implementati come MLP).

• Ricercatori compiono un salto nella computazione quantistica con una svolta magnetica
• Ricercatori del MIT introducono il campionamento di riavvio per migliorare i processi generativi
• I 10 influencer dell’IA da seguire nel 2023

I messaggi di ogni trasformazione vengono quindi utilizzati per aggiornare i vettori delle caratteristiche. La ricorrenza di questa procedura consente ai segnali di diffondersi in tutta la mesh. Tuttavia, un numero predeterminato di fasi di passaggio dei messaggi limita la trasmissione del segnale a un certo raggio. Nella modellazione dei vestiti, dove le onde elastiche causate dallo stretching si propagano rapidamente attraverso il materiale, ciò comporta un accoppiamento a lungo raggio quasi globale e istantaneo tra i vertici. Ci sono troppi pochi passaggi, il che rallenta la trasmissione del segnale e provoca artefatti di sovraestensione scomodi, che conferiscono ai vestiti un aspetto innaturale e gommoso. L’aumento del tempo di calcolo è il prezzo di un aumento stupido delle iterazioni.

Il fatto che le dimensioni massime e la risoluzione delle mesh di simulazione siano sconosciute a priori, il che consentirebbe di scegliere un numero conservativo di iterazioni adeguatamente elevato, aggrava solo questo problema. Gli autori suggeriscono un sistema di passaggio dei messaggi attraverso una rete gerarchica che intercala fasi di propagazione a vari gradi di risoluzione per risolvere questo problema. Ciò consente il trattamento efficace delle onde in rapido movimento risultanti dalle modalità di stretching rigide a dimensioni ampie, consentendo al contempo di descrivere i dettagli locali, come pieghe e rughe, a scale più fini. Attraverso i test, dimostrano come la loro rappresentazione grafica migliori le previsioni per budget computazionali comparabili sia a livello qualitativo che quantitativo.

Adottando un potenziale incrementale per il passo temporale implicito come funzione di perdita, combinano le idee delle reti neurali basate su grafi con diverse simulazioni per aumentare il potenziale di generalizzazione del loro metodo. Grazie a questa formulazione, non è più necessario alcun ground-truth (GT) per l’addestramento della rete. Ciò consente alla rete di essere addestrata completamente non supervisionata, apprendendo contemporaneamente la dinamica dei vestiti a più scale, l’influenza dei parametri del materiale, la reazione alla collisione e il contatto di attrito con il corpo sottostante. La formulazione grafica consente inoltre di simulare lo sbottonamento di una camicia in movimento e vestiti con topologie variabili e mutevoli.

Le reti neurali basate su grafi, l’inoltro dei messaggi a più livelli e l’addestramento non supervisionato sono combinati nel loro approccio HOOD, consentendo la previsione in tempo reale di una dinamica realistica dei vestiti per vari stili di abbigliamento e tipi di corpo. Sperimentano e dimostrano che, rispetto ai metodi all’avanguardia, il loro metodo offre vantaggi strategici in termini di flessibilità e generalità. In particolare, mostrano che una singola rete addestrata:

1. Prevede in modo efficace il movimento dinamico fisicamente realistico per una vasta gamma di vestiti.
2. Si generalizza a nuovi tipi e forme di abbigliamento non visti durante l’addestramento.
3. Consente cambiamenti in tempo reale delle proprietà del materiale e delle dimensioni dei vestiti.
4. Supporta cambiamenti nella topologia dinamica come l’apertura di cerniere o lo sbottonamento delle camicie.

Modelli e codice sono disponibili per la ricerca su GitHub.