Registration Number
2125U010377, Article
popup.category
Article, Стаття
Title
An Algorithmic Quasi-Realtime Model for Cloth Projection onto a Parametric Body in Geodesic Coordinate Space
popup.author
Чехместрук Р. Ю.
Романюк О. Н.
Chekhmestruk R. Yu.
Romanyuk O. N.
popup.publication
01-01-2025
popup.source_user
Вінницький національний технічний університет
popup.source
https://iktv.donntu.edu.ua/wp-content/uploads/2025/10/04_romanyuk.pdf
popup.publisher
Донецький національний технічний університет
Description
Останніми роками потреба в точних моделях симуляції тканини з низькою затримкою значно зросла в
таких галузях, як системи віртуальної примірки, біомеханічні реабілітаційні платформи та втілена
взаємодія у віртуальній реальності. У цій статті представлено нову алгоритмічну основу для проектування
тканини на параметричне тіло людини в реальному часі, де всі відображення та деформації виконуються
в просторі геодезичних координат. На відміну від традиційних моделей, що покладаються на декартові або
UV-параметризації, підхід використовує дискретні геодезичні поля для досягнення високоточного
топологічного узгодження між тканиною та анатомічними структурами поверхні. Базова модель тіла
визначається параметрично, а її поверхня репараметризується за допомогою швидких алгоритмів
поширення геодезичних ліній. Основний алгоритм працює шляхом вилучення геодезичних ділянок із сітки
одягу та їх проектування на сітку тіла з використанням відповідності на основі найкоротшого шляху.
Спрощена процедура локальної оптимізації зберігає вихідну геометричну структуру тканини,
адаптуючись до кривини та руху тіла. Алгоритм був повністю реалізований на Python з використанням
числових бібліотек з відкритим кодом і протестований на синтетичних та напівреальних наборах даних із
контрольними парами «тканина-тіло». Кількісні метрики: геодезична похибка, відстань Гаусдорфа та час
обчислення кадру, демонструють перевагу методу порівняно з найсучаснішими моделями, такими як
TailorNet++ та DeepCloth. Формалізм геодезичних координат забезпечує масштабовану основу для
включення фізичних пріорів та розширень на основі машинного навчання в майбутніх дослідженнях.
popup.nrat_date
2026-09-16
