PhysDrape：明示力と衝突制約による物理的に実質な衣服の褶創学習

arXiv:2602.08020v1 発表タイプ：新しい 要旨：ディープラーニングに基づく衣服褶創は、従来の物理基盤シミュレーション（PBS）に比べて有望な代替手段として台頭しましたが、頑健な衝突処理が依然として主要なボトルネックとなっています。既存の多くの方法は、物理的妥当性をソフトペナルティによって強制しており、幾何学的実現可能性と物理的な妥当性との間で本質的なトレードオフを生み出しています：衝突を罰するとメッシュ構造が歪む一方、形状を保持させると相互貫入が生じます。この矛盾を解決するために、明示的な力と制約を駆使した物理的に実質な衣服の褶創のための混合ニューラル・物理ソルバーである PhysDrape を提案しました。ソフト制約フレームワークとは異なり、PhysDrape はフルディフェレンシエเบิลなパイプラインの中で、ニューラル推論と明示的な幾何学ソルバーを統合します。具体的には、物理情報を増強されたグラフ上に条件付けされた物理情報 Graph ニューラルネットワークを提案し、それは材料パラメータとボディ近接性を符号化することで、残差位移を予測します。特に、我々は二重段のディフェレンシエitable ソルバーを統合しました：第一に、聖ベナン・ Kirchhoff (StVK) モデルから導出される不平衡力を逐次的に解決する学習可能な力ソルバーを、準静的平衡を保つために使用します。第二に、ボディ表面に対する衝突制約を厳密に強制するディフェレンシエブル射影を行います。このディフェレンシエブルな設計は、明示的な制約を通じた物理的妥当性を保証するとともに、ネットワークを物理的に一貫した予測に最適化するエンドツーエンド学習を可能にします。大規模な実験により、PhysDrape が既存のベースラインに比べてわずかな相互貫入と大幅に低い应变エネルギーを実現し、リアルタイムにおける優れている物理忠実性と頑健性を達成することが示されました。

arXiv:2602.08020v1 Announce Type: new Abstract: Deep learning-based garment draping has emerged as a promising alternative to traditional Physics-Based Simulation (PBS), yet robust collision handling remains a critical bottleneck. Most existing methods enforce physical validity through soft penalties, creating an intrinsic trade-off between geometric feasibility and physical plausibility: penalizing collisions often distorts mesh structure, while preserving shape leads to interpenetration. To resolve this conflict, we present PhysDrape, a hybrid neural-physical solver for physically realistic garment draping driven by explicit forces and constraints. Unlike soft-constrained frameworks, PhysDrape integrates neural inference with explicit geometric solvers in a fully differentiable pipeline. Specifically, we propose a Physics-Informed Graph Neural Network conditioned on a physics-enriched graph -- encoding material parameters and body proximity -- to predict residual displacements. Crucially, we integrate a differentiable two-stage solver: first, a learnable Force Solver iteratively resolves unbalanced forces derived from the Saint Venant-Kirchhoff (StVK) model to ensure quasi-static equilibrium; second, a Differentiable Projection strictly enforces collision constraints against the body surface. This differentiable design guarantees physical validity through explicit constraints, while enabling end-to-end learning to optimize the network for physically consistent predictions. Extensive experiments demonstrate that PhysDrape achieves state-of-the-art performance, ensuring negligible interpenetration with significantly lower strain energy compared to existing baselines, achieving superior physical fidelity and robustness in real-time.