SpringTime: Learning Simulatable Models of Cloth with Spatially-varying Constitutive Properties
作者: Guanxiong Chen, Shashwat Suri, Yuhao Wu, Yixian Cheng, Ganidhu Abeysirigoonawardena, Etienne Vouga, David I. W. Levin, Dinesh K. Pai
分类: cs.GR, cs.AI
发布日期: 2025-07-28 (更新: 2026-01-25)
备注: Submitted to Graphics Interface '26 (In review)
🔗 代码/项目: GITHUB
💡 一句话要点
SpringTime：学习具有空间变化本构属性的可模拟布料模型
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 布料模拟 质点-弹簧网络 材料参数学习 空间变化属性 膜锁定
📋 核心要点
- 现有有限元方法模拟复杂布料耗时且易出现膜锁定问题，导致布料模拟效果不佳。
- SpringTime 提出学习质点-弹簧替代模型，通过力和冲量损失函数直接从运动数据中学习材料参数。
- 实验表明，该方法能准确建模空间变化的材料属性，避免膜锁定，且训练速度更快、重建精度更高。
📝 摘要（中文）
真实服装中使用的材料由于缝合、锁边、染色、印花、填充和粘合等常见工艺而表现出显著的复杂性和空间变化。模拟这些材料（例如使用有限元方法）通常计算量大且速度慢。更糟糕的是，这些方法可能会受到称为“膜锁定”的数值伪影的影响，这使得布料看起来人为地僵硬。本文提出了一个名为 SpringTime 的通用框架，用于学习一个简单而高效的替代模型，该模型仅使用运动观测来捕获这些复杂材料的影响。该方法将布料离散化为具有未知材料参数的质点-弹簧网络，并使用一种新颖的力和冲量损失函数直接从运动数据中学习这些参数。该方法展示了从各种数据源准确建模空间变化材料属性的能力，并且对困扰基于 FEM 的模拟的膜锁定免疫。与基于图的网络和基于神经 ODE 的架构相比，该方法实现了显着更快的训练时间、更高的重建精度以及改进的对新动态场景的泛化能力。
🔬 方法详解
问题定义：论文旨在解决布料模拟中，由于材料复杂性和空间变化性导致的计算量大、速度慢以及容易出现膜锁定的问题。现有基于有限元方法（FEM）的布料模拟，难以高效准确地处理真实服装材料的复杂特性，尤其是在缝合、锁边等工艺影响下，材料属性呈现空间不均匀分布。膜锁定现象使得模拟出的布料过于僵硬，与真实情况不符。
核心思路：论文的核心思路是学习一个简单而高效的替代模型，即质点-弹簧网络，来模拟复杂布料的动态行为。通过直接从运动数据中学习质点-弹簧网络的材料参数，避免了传统方法中手动设置复杂材料参数的困难，并有效解决了膜锁定问题。这种方法旨在以较低的计算成本，实现对复杂布料运动的准确模拟。
技术框架：SpringTime 的整体框架包括以下几个主要步骤：1. 数据采集：收集布料的运动数据，例如通过视频或传感器获取布料在不同动态场景下的运动轨迹。2. 布料离散化：将布料离散化为质点-弹簧网络，每个质点代表布料的一个小区域，弹簧连接相邻的质点。3. 参数学习：使用力和冲量损失函数，从运动数据中学习质点-弹簧网络的材料参数，包括弹簧的刚度和阻尼系数等。4. 模拟：使用学习到的材料参数，对布料的动态行为进行模拟。
关键创新：该方法最重要的技术创新点在于使用质点-弹簧网络作为替代模型，并直接从运动数据中学习材料参数。与传统的基于 FEM 的方法相比，该方法避免了手动设置复杂材料参数的困难，并有效解决了膜锁定问题。此外，该方法提出的力和冲量损失函数，能够更有效地从运动数据中提取材料属性信息。
关键设计：关键设计包括：1. 质点-弹簧网络的拓扑结构：根据布料的形状和复杂程度，选择合适的质点-弹簧网络拓扑结构。2. 力和冲量损失函数：设计能够有效衡量模拟结果与真实运动数据之间差异的损失函数，包括力和冲量两部分。3. 优化算法：选择合适的优化算法，例如 Adam 或 L-BFGS，来最小化损失函数，从而学习到最佳的材料参数。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SpringTime 在训练速度、重建精度和泛化能力方面均优于基于图的网络和基于神经 ODE 的架构。具体而言，SpringTime 的训练时间显著缩短，重建精度更高，并且能够更好地泛化到新的动态场景。此外，SpringTime 成功避免了膜锁定问题，能够生成更真实的布料模拟效果。
🎯 应用场景
SpringTime 在服装设计、虚拟试衣、游戏开发和机器人技术等领域具有广泛的应用前景。它可以用于快速生成逼真的服装动画，帮助设计师评估服装的穿着效果。在虚拟试衣应用中，用户可以体验不同服装的动态效果。在游戏开发中，可以用于创建更真实的布料效果。在机器人技术中，可以用于模拟机器人与布料的交互，例如机器人抓取和操作衣物。
📄 摘要（原文）
Materials used in real clothing exhibit remarkable complexity and spatial variation due to common processes such as stitching, hemming, dyeing, printing, padding, and bonding. Simulating these materials, for instance using finite element methods, is often computationally demanding and slow. Worse, such methods can suffer from numerical artifacts called ``membrane locking'' that makes cloth appear artificially stiff. Here we propose a general framework, called SpringTime, for learning a simple yet efficient surrogate model that captures the effects of these complex materials using only motion observations. The cloth is discretized into a mass-spring network with unknown material parameters that are learned directly from the motion data, using a novel force-and-impulse loss function. Our approach demonstrates the ability to accurately model spatially varying material properties from a variety of data sources, and immunity to membrane locking which plagues FEM-based simulations. Compared to graph-based networks and neural ODE-based architectures, our method achieves significantly faster training times, higher reconstruction accuracy, and improved generalization to novel dynamic scenarios. Codebase for the paper can be found at https://github.com/ericchen321/springtime.