扩展短程与长程网格学习用于快速且通用的服装模拟
计算机视觉与模式识别
2025-04-17 v1
摘要
3D 服装模拟是制作基于布料的图形学中的关键组件。最近的图神经网络 (GNN) 的发展为高效的服装模拟提供了有前景的方案。然而，GNN 需要大量的消息传递以传递物理力等信息，并在整个服装网格上保持接触感知，这在更高的分辨率下变得计算效率低下。为此，我们构思了一种新颖的基于 GNN 的网格学习框架，其中包含两个关键组件，以最小的开销扩展消息传递范围，即拉普拉斯平滑双向消息传递 (LSDMP) 和测地线自注意力 (GSA) 模块。LSDMP 通过拉普拉斯特征平滑过程来增强消息传递，有效地将每个顶点的影响传递给附近的顶点。同时，GSA 引入测地距离嵌入来表示顶点之间的空间关系，并利用注意力机制捕获全局网格信息。这两个模块并行工作，以确保短程和长程网格建模。广泛的实验表明，我们的方法在状态水平上表现出色，所需的层数更少，推理延迟也更低。
引用
@article{arxiv.2504.11763,
title = {Extended Short- and Long-Range Mesh Learning for Fast and Generalized Garment Simulation},
author = {Aoran Liu and Kun Hu and Clinton Mo and Changyang Li and Zhiyong Wang},
journal= {arXiv preprint arXiv:2504.11763},
year = {2025}
}