PBNS: مُحاكي عصبي قائم على الفيزياء لتشوه فضاء وضعية الملابس غير المُراقبة

نُقدِّم منهجية لاستخراج قواعد التحويل المكاني للملابس (Pose Space Deformation - PSD) تلقائيًا للملابس المُركَّبة على هياكل ثلاثية الأبعاد (rigged garments) من خلال التعلم العميق. تعتمد الطرق التقليدية على المحاكاة القائمة على الفيزياء (Physically Based Simulations - PBS) لتحريك الملابس، وهي حلول عامة تستطيع تحقيق نتائج واقعية للغاية عند استخدام تجزئة دقيقة جدًا في الفضاء والزمن. ومع ذلك، فإن هذه الطرق مكلفة من حيث الحوسبة، ويُطلب إعادة المحاكاة عند أي تعديل في المشهد. أما تقنية التحويل الخطي المُدمج (Linear Blend Skinning - LBS) المدعومة بـ PSD، فهي بديل خفيف الوزن مقارنةً بـ PBS، لكنها تتطلب كميات هائلة من البيانات لتعلم قواعد PSD المناسبة. نقترح استخدام التعلم العميق، مُصاغًا كمحاكاة قائمة على الفيزياء ضمنية (implicit PBS)، لتعلم تحويلات PSD الواقعية للملابس بشكل غير مراقب في سياق محدود: البشر المُلبَّسون. علاوةً على ذلك، نُظهر إمكانية تدريب هذه النماذج في وقت يُعادل زمن محاكاة PBS لعدد قليل من التسلسلات. إلى حد معرفتنا، نحن أول من يقترح مُحاكيًا عصبيًا للملابس. في حين أن النماذج القائمة على التعلم العميق في هذا المجال أصبحت اتجاهًا متزايدًا، إلا أنها تُعدّ نماذجًا مُستهلكة للبيانات. كما أن الباحثين غالبًا ما يقترحون صيغًا معقدة لتحسين التعلم من بيانات PBS، خاصةً فيما يتعلق بالتجاعيد. ويتسبب التعلم المُراقب في توقعات غير متوافقة من الناحية الفيزيائية، مما يتطلب حل المشكلات المتعلقة بالتصادم لاستخدامها. كما أن الاعتماد على بيانات PBS يحد من قابلية التوسع لهذه الحلول، بينما تُعيق صيغتها تطبيقها وتوافقها مع الأنظمة المختلفة. من خلال اقتراح منهجية غير مراقبة لتعلم PSD لنماذج LBS (المعيار القياسي في الرسوم ثلاثية الأبعاد)، نتجاوز كلا العيوب المذكورة. وتُظهر النتائج التي تم الحصول عليها اتساقًا في الملابس أثناء الحركة، إلى جانب تجاعيد وثنيات ذات اعتماد واضح على الوضعية (pose-dependent). ويتميز حلنا بالكفاءة العالية، ويُمكنه التعامل مع طبقات متعددة من القماش، ويسمح بتعديل حجم الملابس بدون الحاجة إلى تدريب مراقب، ويمكن تطبيقه بسهولة على أي شخصية ثلاثية الأبعاد مخصصة.