SENC: Handling Self-collision in Neural Cloth Simulation

我们提出了SENC，一种新颖的自监督神经布料模拟器，解决了布料自碰撞的挑战。由于最近的碰撞检测和响应方法与自监督神经模拟器之间的模拟设置存在差距，这个问题一直没有得到解决。前者需要无碰撞的初始设置，而后者需要在训练期间进行随机布料实例化。为了解决这个问题，我们提出了一种基于全局交集分析（GIA）的新型损失函数。该损失函数提取了布料区域形成穿透的周围体积。通过构建基于这个体积的能量，我们的自监督神经模拟器可以有效地处理布料自碰撞。此外，我们开发了一种自碰撞感知的图神经网络，能够学习处理彼此拓扑上相距较远的部分的自碰撞。此外，我们引入了一种有效的外部力方案，使模拟器能够学习布料对随机外部力的响应行为。我们通过广泛的定量和定性实验验证了SENC的有效性，证明它有效地减少了布料自碰撞，同时保持了高质量的动画结果。

解决问题：论文旨在解决布料自碰撞问题，通过提出一种基于全局交集分析（GIA）的损失函数来解决这个问题。

关键思路：论文提出了一种自监督神经网络模拟器SENC，能够有效处理布料自碰撞问题。同时，还提出了一种基于图神经网络的自碰撞感知模型和一种外部力模型，以帮助模拟器学习布料的行为。

其他亮点：论文通过大量的定量和定性实验验证了SENC的有效性，并展示了其在降低布料自碰撞的同时保持高质量动画结果的能力。此外，论文还提供了开源代码和使用的数据集。

相关研究：在布料模拟领域，已经有很多相关的研究，如《DeepCloth: Deep Learning of Dynamic Non-Rigid Objects》、《Differentiable Cloth Simulation with Edge-Based Cohesion》等。