Pb4U-GNet：基于先传播后更新图网络的分辨率自适应服装仿真
计算机视觉与模式识别
2026-01-22 v1
摘要
服装仿真是计算机视觉与图形学中从虚拟试穿到数字人建模等各种应用的基础。然而，传统的基于物理的方法计算成本依然高昂，阻碍了其在时间敏感场景中的应用。尽管图神经网络 (Graph Neural Networks, GNNs) 提供了有前景的加速方案，但现有方法在跨分辨率泛化方面表现不佳，在训练分布之外的高分辨率网格上表现出显著的性能退化。这源于两个关键因素：(1) 现有 GNNs 采用固定的消息传递深度，无法使信息聚合适应网格密度的变化；(2) 在服装仿真中，顶点位移幅度本质上依赖于分辨率。为解决这些问题，我们引入了先传播后更新图网络 (Propagation-before-Update Graph Network, Pb4U-GNet)，这是一种将消息传播与特征更新解耦的分辨率自适应框架。Pb4U-GNet 包含两个关键机制：(1) 动态传播深度控制，根据网格分辨率调整消息传递迭代次数；(2) 几何感知更新缩放，根据局部网格特征对预测进行缩放。大量实验表明，即使仅在低分辨率网格上训练，Pb4U-GNet 在不同网格分辨率下也展现出强大的泛化能力，解决了神经服装仿真中的一个根本挑战。
引用
@article{arxiv.2601.15110,
title = {Pb4U-GNet: Resolution-Adaptive Garment Simulation via Propagation-before-Update Graph Network},
author = {Aoran Liu and Kun Hu and Clinton Ansun Mo and Qiuxia Wu and Wenxiong Kang and Zhiyong Wang},
journal= {arXiv preprint arXiv:2601.15110},
year = {2026}
}
备注
Camera-ready version accepted at AAAI 2026