Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 정적 기하학으로부터 연속적인 신경 스키닝 필드를 학습하여 물리 기반 애니메이션을 일반화하는 PhysSkin++ 프레임워크를 제안합니다. 이 방법은 객체별 훈련 없이 형태 의존적 변형 부분 공간을 예측하며, 자기 지도 학습 전략과 충돌 인식 기울기 보정을 결합해 안정성을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다양한 3D 형태와 공간 이산화에 걸쳐 실시간 물리 기반 애니메이션을 일반화하는 것은 여전히 어려운 과제입니다. 본 논문에서는 정적 기하학으로부터 연속적인 신경 스키닝 필드(neural skinning fields)를 학습하여 압축된 변형 부분 공간(deformation subspaces)을 구성하는 물리 정보 기반 프레임워크인 PhysSkin++를 소개합니다. 구체적으로, 우리는 객체별 네트워크 훈련 없이 형태 의존적 변형 부분 공간을 예측하는 신경 스키닝 필드 오토인코더(Neural Skinning Fields Autoencoder)를 제안합니다. 시뮬레이션 궤적 없이 이러한 부분 공간을 학습하기 위해, 우리는 스키닝 필드 정규화와 충돌 인식 기울기 보정(conflict-aware gradient correction)을 결합한 물리 정보 기반 자기 지도 학습 전략을 개발하여, 물리적 및 직교성 제약 조건 하에서 관절 최적화를 안정화합니다. 학습된 표현은 사용자 제어 및 접촉 상호작용을 갖춘 효율적인 축소 동역학(reduced dynamics)을 지원하며, 메시(meshes), 포인트 클라우드(point clouds), 3D 가우시안(3D Gaussians)에 대한 직접 애니메이션 바인딩도 가능하게 합니다. 지정된 리그 애니메이션(prescribed rig animation)의 경우, 우리는 보완성 제약 조건(complementarity constraints)을 런타임에 강제하지 않고 보완적인 탄성 반응을 학습하기 위해 자기 지도 보완성 목적 함수를 추가로 도입합니다. 실험 결과는 학습된 스키닝 필드의 교차 형태 일반화, 실시간 축소 시뮬레이션, 그리고 제어 가능하고 충돌 인식적이며 리그-보완적인 애니메이션에의 응용 사례를 입증합니다.