Suréchantillonnage inspiré de la physique pour la simulation de tissus dans les jeux

Nous proposons une méthode pour apprendre des opérateurs de suréchantillonnage linéaires pour la simulation de tissus basée sur la physique, nous permettant d'enrichir des maillages grossiers avec des détails à échelle intermédiaire dans des délais et des budgets mémoire minimes, comme l'exige les jeux vidéo. Contrairement aux schémas de subdivision classiques, nos opérateurs s'adaptent à un contexte spécifique (par exemple, un drapeau flottant dans le vent ou une jupe portée par un personnage), ce qui leur permet d'atteindre un niveau de détail supérieur. Notre méthode commence par le pré-calcul d'une paire de simulations d'apprentissage grossières et fines alignées sur des contraintes de suivi en utilisant des fonctions de test harmoniques. Ensuite, nous entraînons les opérateurs de suréchantillonnage avec une nouvelle méthode de régularisation qui nous permet d'apprendre des détails à échelle intermédiaire sans surajuster. Nous démontrons la généralisabilité à des conditions non vues telles que différentes vitesses du vent ou des mouvements de personnages novateurs. Enfin, nous discutons de la manière de réintroduire des détails à haute fréquence non explicables par le maillage grossier seul en utilisant des modes oscillatoires.