In this paper, we propose a learning-based garment simulation algorithm that uses two consecutive networks to predict the deformation of loose-fit garments, preserving high details. The deformation is computed sequentially through low-frequency and high-frequency modules. First, the low-frequency module predicts the overall shape of the garments from the given body motion. Next, the high-frequency module estimates the high-resolution garments with detailed wrinkles by inferring the dynamics of the clothing, referred to the result of the previous module, the local information of the current garment mesh and some reference information. In addition, we improved the stability of rollout in inference time by mitigating the accumulation of errors over time using the scheduled sampling training method. The comparison shows that our method can estimate realistic and detailed garment meshes.
본 논문에서는 두 개의 연속적인 네트워크를 사용하여 루스한 의복의 변형을 높은 디테일을 보존하며 예측하는 학습 기반 의복 시뮬레이션 알고리즘을 제시합니다. 의복의 변형은 저해상도 및 고해상도 모듈을 순차적인 거치며 계산됩니다. 먼저 저해상도 모듈에서는 주어진 신체 동작들로부터 전체적인 옷의 형태를 예측하고, 고해상도 모듈에서는 앞선 모듈의 결과와, 의복 메시의 국부 정보 및 참조 정보를 참고하여 의복 메시의 역학관계를 추론함으로써 디테일한 주름이 들어간 고해상도의 옷을 추정합니다. 또한, 우리는 스케 줄러 학습 방법을 사용하여 시간에 따른 오류의 축적을 완화함으로써 테스트 환경에서의 롤아웃의 안정성을 향상시켰습니다. 비교를 통해 우리의 방법이 사실적이고 자세한 의복 메시를 추정할 수 있음을 보입니다.
