遠程會議、虛擬試穿、視頻遊戲等許多依賴於高保真數字人類的應用都需要模擬具有吸引力和逼真的服裝行為能力。基於物理法則的模擬是生成自然動態運動的一種常用方法。儘管物理模擬可以提供驚人的結果，但計算成本高、對初始情況敏感，並且需要有經驗的動畫師；頂尖的方法不能滿足實時應用所需的嚴格計算預算。基於深度學習的技術開始產生高效且高質量的結果。
然而，迄今為止，一些限制阻礙了這些方法充分發揮潛力。首先，目前的技術主要通過身體姿勢計算服裝變形並依賴線性混合蒙皮。雖然基於蒙皮的計劃可以為緊身衣物（如襯衫和運動服）提供令人印象深刻的結果，但對於連衣裙、裙子和其他寬鬆服裝等不完全模仿身體運動的服裝，它們需要幫助。重要的是，許多頂尖的基於學習的技術是特定於服裝的，只能預測捕捉到的特定服裝的變形。應用受到每件服裝都需要重新訓練這些技術的限制。
本研究由ETH蘇黎世聯邦理工學院和智能系統馬克斯·普朗克研究所的研究人員提供了一種獨特的方法，用於預測動態服裝變形的圖神經網絡（GNN）。通過對局部變形、壓力和加速度之間的關係進行邏輯推斷，他們的方法學習預測物理逼真的布料行為。由於其局部性，他們的方法直接推廣到任意身體形狀和運動，與服裝的整體結構和形狀無關。儘管GNN在取代基於物理的模擬方面表現出潛力，但將此思想應用於服裝模擬會產生不滿意的結果。使用GNN（實現為MLP）將給定網格的特徵向量和其一環鄰域進行本地轉換，然後使用每個轉換的消息來更新特徵向量。此過程的循環使信號在整個網格中傳播。然而，固定數量的消息傳遞階段將信號傳輸限制在一定半徑內。在建模服裝時，彈性波通過拉伸迅速流經材料，這導致頂點之間具有准全局和瞬間的長程耦合。步驟太少會減慢信號傳輸速度，並產生令人不舒服的過度拉伸瑕疵，使服裝看起來不自然且有彈性。增加計算時間是愚蠢地增加迭代的代價。
由於無法事先知道模擬網格的最大大小和分辨率，以便選擇保守且適當高的迭代次數，這只會加劇這個問題。他們建議在分層網絡上進行消息傳遞系統，交替在不同解析度的傳播階段中解決此問題。這允許在大尺寸下有效處理由於硬拉伸模態引起的快速移動波，同時在更細的尺度上提供描述褶皺和皺紋等局部細節所需的關鍵。通過測試，他們展示了他們的圖表示如何在相同的計算預算下提高預測。
通過採用隱式時間步進的增量潛力作為損失函數，他們將基於圖的神經網絡的思想與不同的模擬方法結合起來，以增加他們方法的泛化能力。由於這種形式，他們不再需要任何地面真實（GT）註釋。這使得他們的網絡可以完全無監督地訓練，同時學習多尺度服裝動力學、材料參數的影響、碰撞反應以及與底層身體的摩擦接觸。圖形表示還使我們能夠模擬運動中的襯衫解扣和具有不同和變化的拓撲的服裝。
他們的HOOD方法結合了圖神經網絡、多層消息傳遞和無監督訓練，可以實時預測各種服裝風格和身體類型的逼真服裝動態。他們實驗性地證明，與頂尖方法相比，他們的方法在靈活性和廣泛性方面具有戰略優勢。特別是，他們展示了單一訓練網絡：
- 有效預測了各種服裝的物理逼真動態運動。
- 對於在訓練期間未見過的新款式和形狀具有泛化能力。
- 允許運行時更改材料屬性和服裝尺寸。
- 支持開啟拉鍊或解扣襯衫等動態拓撲變化。
研究人員已在GitHub上提供了模型和代碼，供研究使用。