Enhancing cloth 3D simulation and object interaction via machine learning-based deformation models

Abstract

Реалістичне моделювання тканини залишається складним завданням комп’ютерної графіки, особливо під час симуляції складної взаємодії між деформівними тканинами та складною тривимірною геометрією. Традиційні фізично обґрунтовані моделі, такі як метод мас і пружин або метод скінченних елементів, часто страждають від високої обчислювальної вартості або числової нестабільності, що обмежує їх застосовність у середовищах реального часу чи під час високоточного рендерингу. У цій роботі ми пропонуємо нову гібридну структуру, яка підвищує точність і обчислювальну ефективність моделювання тканини завдяки інтеграції передбачення деформацій на основі машинного навчання. Наш метод використовує архітектуру глибинного навчання з учителем для апроксимації нелінійної динаміки поведінки тканини за різних граничних умов і взаємодії з жорсткими або м’якими 3D-тілами. Навчаючись на фізично змодельованих наборах даних, що охоплюють різні типи тканин, сценарії контакту та зовнішні сили, наш підхід узагальнюється на невідому геометрію та режими взаємодії. Навчена модель вбудовується в грубий цикл фізичної симуляції, щоб зберегти глобальну узгодженість і водночас прискорити обчислення локальних деформацій. Ми оцінюємо запропонований метод як на синтетичних еталонних тестах, так і на реальних наборах даних. Кількісні результати свідчать про істотне скорочення часу симуляції — до 60 % — за збереження високого ступеня фізичної правдоподібності порівняно з традиційними розв’язувачами. Якісні експерименти показують поліпшене відтворення високочастотних зморшок, розв’язання колізій і динамічного контактного відгуку. Ця структура відкриває шлях до практичних застосувань у системах віртуальної примірки, анімації реального часу та середовищах тактильного зворотного зв’язку. Запропонований метод робить внесок у зростаючу галузь диференційованого моделювання та демонструє потенціал моделей, керованих даними, у подоланні обмежень звичайних фізичних рушіїв тканини. Подальша робота передбачає розширення моделі для підтримки багатошарового одягу, анізотропних матеріалів і стратегій адаптивної роздільної здатності.Realistic cloth simulation remains a challenging task in computer graphics, especially when simulating intricate interactions between deformable fabrics and complex three-dimensional geometries. Traditional physically based models, such as mass-spring or finite element methods, often suffer high computational cost or numerical instability, limiting their applicability in real-time environments or high-fidelity rendering. In this work, we propose a novel hybrid framework that enhances cloth simulation accuracy and computational efficiency through the integration of machine learning-based deformation prediction. Our method employs a supervised deep learning architecture to approximate the nonlinear dynamics of cloth behavior under varying boundary conditions and interactions with rigid or soft 3D bodies. By training on physically simulated datasets that include diverse cloth types, contact scenarios, and environmental forces, our approach generalizes to unseen geometries and interaction modes. The learned model is embedded within a coarse physical simulation loop to preserve global consistency while accelerating local deformation computations. We evaluate the proposed method using both synthetic benchmarks and real-world datasets. Quantitative results demonstrate a significant reduction in simulation time – up to 60% – while maintaining a high degree of physical plausibility compared to traditional solvers. Qualitative experiments show improved handling of high-frequency wrinkles, collision resolution, and dynamic contact response. This framework paves the way for practical applications in virtual try-on systems, real-time animation, and haptic feedback environments. The proposed method contributes to the growing field of differentiable simulation and demonstrates the potential of data-driven models in addressing the limitations of conventional cloth physics engines. Future work includes extending the model to support multi-layered garments, anisotropic materials, and adaptive resolution strategies.