Neural Garment Dynamics via Manifold-Aware Transformers

数据驱动和基于学习的动态服装建模解决方案已经显著进步，特别是在数字人类的背景下。然而，现有的方法通常集中在相对于固定参数化人体模型建模服装，并且仅限于在训练期间看到的服装几何图形。在这项工作中，我们采取了不同的方法，通过利用服装与底层人体的局部交互来建模服装的动态性。具体而言，当人体移动时，我们检测到局部服装-身体碰撞，这驱动了服装的变形。我们方法的核心是一个网格不可知的服装表示和一个流形感知的变换网络设计，它们共同使我们的方法能够推广到未见过的服装和身体几何图形。我们对各种服装类型和运动序列进行了评估，并提供了与现有技术相比具有竞争力的定性和定量结果。

本文旨在解决现有方法在建模动态服装方面的局限性，即只能针对固定的参数化人体模型进行建模，且只能处理在训练时见过的服装几何形状。

本文采用不同的方法，通过利用服装与人体之间的局部相互作用来建模服装的动态性。具体而言，当身体移动时，我们检测到局部的服装-身体碰撞，这驱动了服装的变形。我们的方法核心是一种网格无关的服装表示和一种流形感知的变换器网络设计，这使我们的方法能够推广到未见过的服装和人体几何形状。

本文在各种服装类型和运动序列上进行了评估，并提供了与现有技术相比具有竞争力的定性和定量结果。实验设计合理，使用了多个数据集，还开源了代码。

与此相关的研究包括：'Learning to Dress 3D People in Generative Clothing'、'TailorNet: Predicting Clothing in 3D as a Function of Human Pose, Shape and Garment Style'等。