SIGGRAPH 2024丨Style3D 6篇论文揭秘时尚未来

SIGGRAPH 2024丨Style3D 6篇论文揭秘时尚未来

注:ACM SIGGRAPH是迄今为止世界上影响最广、规模最大,也是最权威的集科学、技术、艺术、商业于一身的图形学技术展示和学术会议。自1974年首届会议以来,已举办50届,每年有上万专家学者参加。SIGGRAPH制定了非常严格的论文评审流程,每篇文章需要至少5名相关专家提供详细评审意见,平均录用率在20-30%左右,ACM SIGGRAPH 2023接收投稿论文近700篇,录用212篇。

Style3D此次6篇论文成功入选 SIGGRAPH 2024,并将在7月底的会议现场发表,入选所占比例之高,进一步证实了Style3D在SIGGRAPH这一国际顶级学术平台上所展现的科研实力。也侧面体现Style3D正以创新技术引领行业发展,成为行业的标杆和领跑者。

此次6篇论文,以图形学+AI技术结合研究,从多材质的高仿真效果提升、AI实现部分自动化工序到AI增强3D效果、与AR/MR中的交互提升,涵盖前端设计到后端营销展示的全链路场景的技术研究,且所有前沿技术研究,在未来都将于Style3D全套工具中落地应用。

以下是6篇论文的部分诠释:

A Dynamic Duo of Finite Elements and Material Points

有限元与材料点的动态组合

本文介绍了一种集成有限元方法(FEM)和材料点方法(MPM)的新方法,用于增强多材料系统的仿真。有限元法传统上用于对布匹等拉格朗日固体建模,而材料点法则擅长模拟雪和沙粒等发生显著变形和拓扑变化的材料。我们方法的核心是混合隐式-显式时间积分(IMEX)策略。尽管隐式 FEM 和显式 MPM 对时间步长的要求不同,但它们可以在同一框架内共存,从而确保准确的双向耦合。

1721890256622056.png

● 此项研究将为未来的多材料仿真研究奠定基础,有可能推动沙地或雪地等极端环境中防护服的仿真。

Automatic Digital Garment Initialization from Sewing Patterns

从缝制样板自动初始化数字服装

随着数字时尚和生成式人工智能技术的快速发展,需要一种自动方法将数字缝纫图样转化为人台的合体服装。一个关键的挑战是如何配置缝纫件的初始排列,使其避免折叠和交叉。在这项工作中,我们通过采用AI分类、启发式方法和数值优化来解决这个问题,最终开发出一种创新的自动服装初始化系统。

1721890269796126.png

● 该研究系统已部分集成到 Style3D 产品中,并有望进一步增强,以进一步减轻技术设计师在创建数字服装时的工作量。

Neural-Assisted Homogenization of Yarn-Level Cloth

纱线级织物的神经辅助均质化

现实世界中的织物由线和纱组成,表现出复杂的应力应变关系,这给使用基于连续体的模型进行快速模拟的均质化带来了巨大挑战。在本文中,我们介绍了一种专为模拟纱线级织物而设计的神经均质化构成模型。与之前的均质化构成模型相比,我们的模型在稳定性方面有了实质性的改进,并在大时间步长下实现了高达两个数量级的提速。

1721890276567178.png

● 我们正在将该模型集成到 Style3D 产品中,旨在提高未来应用中针织物模拟的准确性。此项技术研究的成果,代表行业顶尖水平,未来也将成为Style3D 产品远超其他的技术力证。

Super-Resolution Cloth Animation with Spatial and Temporal Coherence

具有时空一致性的超分辨率布料动画

制作超分辨率布料动画,为粗糙的布料网格添加精细的褶皱细节,需要在各帧之间保持空间一致性和时间连贯性。在本文中,我们介绍了一个旨在解决这些问题的AI框架,其中包含一个仿真校正模块和一个基于网格的超分辨率模块。我们通过从简单布片到复杂服装的各种动画示例,展示了我们方法的有效性。

1721890284796517.png

● 此项研究是在3D模拟基础上,运用AI增强3D细节效果。我们预计这将在具有实时模拟功能的 Style3D 产品(如 Style3D MixMatch)中证明其价值。

High-Quality Surface Reconstruction using Gaussian Surfels

用高斯曲面进行高质量曲面重构

我们介绍了一种新颖的基于点的表示法--高斯曲面,它将三维高斯点的灵活优化能力与曲面的表面对齐特性融合在一起。这种融合是通过将三维高斯点的 z 比例设为零来实现的,从而有效地将原始的三维椭圆体转化为二维椭圆。

1721890294633607.png

● 基于可视光,可用于手机摄像头进行三维重建,并提升三维重建精度。实验结果表明,我们的方法显著提高了表面重建性能,并显示了从手持设备直接重建数字服装的潜力。

VR-GS: A Physical Dynamics-Aware Interactive Gaussian Splatting System in Virtual Reality

VR-GS:虚拟现实中的物理动力学感知交互式高斯溅射系统

在这项工作中,我们介绍了 VR-GS 系统,该系统旨在为虚拟现实中以人为中心的 3D 内容交互提供无缝、直观的体验。我们通过实施物理动态感知交互式高斯拼接(GS)技术,辅以高效的两级嵌入策略和可变形体仿真来实现这一目标。这些要素共同确保了 VR-GS 能够以高度逼真的动态响应实时运行。

1721890302164557.png

● 该系统与 Style3D 的内部实时仿真引擎 Style3D Simulator 相集成,预计将大大提高 AR/MR 环境中人类与数字服装的互动性。

可以发现,此次的技术方向有了很多AI的身影,传统的服装设计和生产流程繁琐且耗时,但AI技术的引入,可以优化设计流程,缩短产品上市周期。在发表的论文中,已有多项研究在Style3D相关产品中有所应用,如基于AI的自动化排料技术、AI增强材质细节效果等,未来,这些技术的落地应用,不仅提升了设计效率,也将释放更多生产力。

不久将来,Style3D还将重磅推出AI技术与3D精准设计融合的创新底层架构——AIGP(AI Generate Pattern),该系统旨在全面集成AI能力,覆盖从潮流趋势预测、智能化设计与制版、精准布料优化配置、高仿真模拟成衣的全产业链条,实现AI+3D技术对产业升级的实质性赋能。

Style3D期望以“AI+3D+AI”的技术整合策略,使服装设计与研发流程得到前所未有的简化和优化,提升从创意设计到市场推广的整个产业链条的衔接性与协同效率,从而促进更迅速且更为精确的市场响应机制,加速“概念到消费”(Concept-to-Consumer)的转化速度。引领服装产业步入智能化、高效化的新纪元。