SwinGar：用于自由摆动衣物频谱启发的神经动态形变方法

我们的工作提出了一种新颖的频谱启发、基于学习的方法，用于生成具有动态效果和个性化细节的衣物形变。服装动画领域的现有方法局限于静态行为或针对单个衣物的特定网络模型，这阻碍了它们在需要多样化动画衣物的真实场景中的适用性。我们提出的方法克服了这些局限，提供了一个统一框架，可预测具有任意拓扑和松紧度的不同衣物的动态行为，从而产生通用且逼真的形变。首先，我们观察到低频偏置问题总是妨碍监督学习并导致过度平滑的形变。为解决此问题，我们从频谱角度引入频率控制策略，以增强形变高频细节的生成。此外，为使网络具有高度泛化能力并能有效学习各种衣物形变，我们提出一种频谱描述子以实现对全局形状信息的泛化描述。基于上述策略，我们开发了动态衣物形变估计器，将频率可控注意力机制与长短期记忆集成。该估计器以衣物和人体的富有表现力的特征作为输入，使其能够自动输出连续形变，适用于多样服装类型，且独立于网格拓扑或顶点数量。最后，我们提出一种神经碰撞处理方法以进一步增强衣物的真实感。我们的实验结果表明了该方法在多种自由摆动衣物上的有效性及其相对于最先进方法的优越性。