Neuroll: 시뮬레이터-인-더-루프 언롤링을 통한 실시간 신경 기반 헤어 시뮬레이션

시간 적분(Time integration)은 강체 및 변형 객체 간의 복잡한 상호작용, 헤어 움직임을 포함하여 물리 기반 애니메이션의 초석이었습니다. 최적화된 시간 적분을 통해 수천 가닥의 헤어를 실시간으로 시뮬레이션할 수 있게 된 최근 발전에도 불구하고, 개별 가닥들 사이의 복잡한 역학 및 상호작용을 해결하는 데 필요한 계산 요구량 때문에 일반적인 하드웨어에서 동일한 성능을 달성하는 것은 여전히 불가능합니다. 학습 기반 기술의 부상과 함께, 시간 적분을 신경망에 오프로드(offload)하는 것이 상당한 성능 향상을 이끌어내어, 이러한 접근 방식들을 게임 및 가상 아바타와 같은 실시간 애플리케이션에 적합하게 만듭니다. 하지만 최첨단 신경 기술들은 물리적으로 덜 그럴듯한 움직임을 생성하는 경향이 있으며, 종종 분포를 벗어난(out-of-distribution) 시나리오로 일반화하는 데 실패합니다. 클래식 시간 적분기에서 영감을 받아, 우리는 그들의 입력-출력 공식화를 반영하는 신경 대응물을 설계했습니다. 즉, 이전 헤어 상태, 재질 강성(material stiffness), 충돌 기하학을 신경 시간 적분기의 입력으로 사용하며, 이는 무작위 언롤링 호라이즌(randomized unrolling horizons)을 가진 자기 지도 학습(self-supervised) 시뮬레이터-인-더-루프 방식으로 훈련됩니다. 각 가닥의 국부 좌표계에서 훈련을 공식화함으로써, 우리는 헤어스타일, 재질 속성, 신체 움직임 및 체형을 포함한 여러 차원에 걸쳐 일반화되는 네트워크를 얻습니다. 우리의 방법은 가닥 기반 신경 시뮬레이터의 이점을 계승하므로, 밀도 독립적(density-independent)이고, 가볍고, 메모리 효율적이며, 성능이 뛰어납니다. 우리의 신경 헤어 적분기는 안정적인 장기 호라이즌 롤아웃을 생성하며, 헤어 상태를 재설정하는 것만으로 준정적 시뮬레이션(quasi-static simulation)을 지원하도록 자연스럽게 확장될 수 있습니다.