자기지도 학습 (Self-supervised) 기반의 신경망 의류 시뮬레이션은 계산 효율성, 뛰어난 시각적 사실성, 그리고 학습 데이터에 의존하지 않는다는 장점 덕분에 인기를 얻고 있습니다. 그러나 기존 방식들은 소성 (plasticity)으로 인해 발생하는 지속적인 주름을 무시하며, 직물의 기계적 특성을 크게 단순화합니다. 이러한 단순화는 순수 탄성 (purely elastic) 재질의 모델링과 에너지 최소화 (energy minimization)를 통한 간단한 학습을 가능하게 하지만, 믿을 만한 주름의 부재는 시각적 사실성에 부정적인 영향을 미칩니다. 따라서 본 논문에서는 지속적인 주름을 명시적으로 모델링하는 최초의 자기지도 학습 기반 신경망 의류 시뮬레이터를 소개합니다. 이는 소성을 모방하기 위해 학습을 움직이는 에너지 최소화 문제로 전환하는 새로운 물리 기반 손실 함수 (physics-inspired loss function)를 통해 달성됩니다. 하지만 이는 변화하는 손실 함수를 사용하는 학습을 요구하며, 최적화 과정 중에 손실 함수가 변하기 때문에 학습에 어려움을 초래합니다. 이를 해결하기 위해, 우리는 학습 대상 재질이 순수 탄성에서 탄소성 (elasto-plasticity)으로 점진적으로 변화하는 새로운 물리 기반 커리큘럼 학습 (curriculum learning) 체계를 제안하며, 이를 통해 손실 함수와 학습 가능한 파라미터 (learnable parameters)가 공동으로 수렴할 수 있도록 합니다. 종합적인 평가를 통해, 우리는 자기지도 학습 모델이 최초로 자연스러운 지속적 주름을 생성할 수 있음을 보여주며, 다양한 의류, 체형 및 신체 동작에 대해 여러 지표에서 기존 방식보다 뛰어난 성능을 보임을 입증합니다.