PhysSkin++: animazione basata sulla fisica, in tempo reale e generalizzabile, tramite skinning neurale auto-supervisionato

Abstract degli autori

Generalizzare l’animazione basata sulla fisica in tempo reale a forme 3D e discretizzazioni spaziali diverse resta una sfida. In questo articolo presentiamo PhysSkin++, un framework basato sulla fisica che apprende campi continui di skinning neurale a partire da geometrie statiche per costruire sottospazi di deformazione compatti. In particolare, proponiamo un Neural Skinning Fields Autoencoder che predice sottospazi di deformazione dipendenti dalla forma senza addestrare una rete per ciascun oggetto. Per apprendere questi sottospazi senza traiettorie di simulazione, sviluppiamo una strategia Physics-Informed Self-Supervised Learning che combina la normalizzazione dei campi di skinning con una correzione dei gradienti che tiene conto dei conflitti, stabilizzando l’ottimizzazione congiunta soggetta a vincoli fisici e di ortogonalità. La rappresentazione appresa consente una simulazione efficiente della dinamica ridotta, con controllo da parte dell’utente e interazioni di contatto, oltre all’associazione diretta dell’animazione a mesh, nuvole di punti e gaussiane 3D. Per l’animazione predefinita del rig, introduciamo inoltre una funzione obiettivo di complementarità auto-supervisionata per apprendere risposte elastiche complementari senza imporre vincoli di complementarità durante l’esecuzione. Gli esperimenti dimostrano che i campi di skinning appresi si generalizzano a forme diverse, consentono una simulazione ridotta in tempo reale e trovano applicazione nell’animazione controllabile, attenta alle collisioni e complementare al rig.