АВТОМАТИЧЕСКИЙ ПЕРЕНОС МОРФ-ТАРГЕТОВ С 3D МОДЕЛИ ПЕРСОНАЖА НА 3D МОДЕЛИ ОДЕЖДЫ

AUTOMATIC TRANSFER OF MORPH TARGETS FROM 3D CHARACTER MODELS TO 3D CLOTHING MODELS

Rustam Nikolaevich Filatiev

Student, Omsk State Technical University,

Russia, Omsk

АННОТАЦИЯ

Статья посвящена анализу методов автоматического переноса морф-таргет деформаций с 3D-модели персонажа на произвольные модели одежды. Цель исследования – выявить ограничения существующих подходов к деформации одежды и определить группы методов, применимые для автоматической адаптации одежды к морф-таргетам персонажа. Рассматриваются способы на основе машинного обучения, а также параметрические и геометрические подходы к переносу деформаций, регистрации 3D-поверхностей и подгонке одежды к изменяющейся форме тела. Практическая значимость работы состоит в формулировке требований к системе, способной строить соответствия между телом и одеждой, обрабатывать пересечения и артефакты, сокращать ручную подготовку моделей и ускорять разработку 3D-контента.

ABSTRACT

The article analyzes methods for automatically transferring morph target deformations from a 3D character model to arbitrary clothing models. The aim of the study is to identify the limitations of existing clothing deformation approaches and determine groups of methods suitable for automatic clothing adaptation to character morph targets. The paper examines machine learning, parametric, and geometric approaches used for deformation transfer, surface registration, and garment fitting to changing body shapes. The practical significance lies in formulating requirements for a system capable of establishing body–garment correspondences, handling intersections and visual artifacts, reducing manual model preparation, and accelerating 3D content production.

Ключевые слова: морф-таргеты; деформация одежды; перенос деформаций; адаптация одежды; компьютерная графика.

Keywords: morph targets; clothing deformation; deformation transfer; clothing adaptation; computer graphics.

Введение

Производство цифровых персонажей всё чаще требует масштабируемой подготовки множества тел, вариантов внешности и моделей одежды. В игровых и анимационных процессах одна модель персонажа может содержать десятки или сотни морф-таргетов, изменяющих рост, пропорции, телосложение и другие признаки антропометрии. Если для тела такие морфы обычно создаются как управляемая библиотека деформаций, то одежда должна согласованно следовать изменению геометрии тела: сохранять посадку, силуэт, расстояние до поверхности, складки и не создавать пересечений.

Ключевая проблема состоит в том, что морф-деформации тела нельзя напрямую применить к одежде: её модель обычно отличается по топологии, числу вершин, границам, а также имеет свободные участки ткани. Копирование смещений по ближайшим точкам работает только в плотных зонах, но для свободной одежды это вызывает неверные соответствия, пересечения и искажение дизайна изделия. Поэтому требуется не разовое решение для одной модели, а универсальный механизм переноса морф-таргетов тела на множество моделей одежды разных типов.

Цель исследования – выявить ограничения существующих методов переноса деформаций и определить группы подходов, применимые для автоматической адаптации 3D-моделей одежды к морф-таргетам персонажа.

Материалы и методы

В качестве объектов анализа рассмотрены методы и системы, применяемые для деформации 3D-моделей, регистрации поверхностей, переноса формы и адаптации одежды к изменяющейся геометрии тела персонажа. В обзор включены методы представления и переноса деформаций: Pose Space Deformation [8], SMPL [10], Deformation Transfer [12, 13], Iterative Closest Point и его нежёсткие модификации [2, 15], Mean Value Coordinates [7] и Green Coordinates [9]. Также рассмотрены методы и системы, связанные с адаптацией одежды: DRAPE [5], перенос одежды с сохранением дизайна изделия [3], методы переноса весов скелетной деформации и их восстановления [1, 14], TailorNet [11], GarNet [6] и система Machine Learning Cloth Simulation для движка Unreal Engine [4].

Метод исследования – сравнительный анализ. Сравнение выполнялось по следующим критериям: применимость к задаче переноса морф-таргетов на одежду, зависимость от топологии исходной и целевой модели, необходимость обучающих данных или предварительной физической симуляции, возможность работы с произвольными моделями одежды, обработка свободных участков ткани, предотвращение пересечений, сохранение силуэта изделия и потенциальная пригодность для разработки 3D-контента.

Теоретические основания

Автоматический перенос морф-таргетов с тела персонажа на одежду можно рассматривать как задачу передачи изменения формы с одной 3D-модели на другую. Исходной является модель тела, для которой уже задан набор морф-таргетов: например, изменение роста, пропорций, телосложения или отдельных антропометрических признаков. Целевой является модель одежды, которая должна повторить эти изменения в тех областях, где она прилегает к телу, и при этом сохранить собственный силуэт, посадку и свободные участки ткани.

Сложность этой задачи состоит в том, что тело и одежда обычно имеют разную топологию, разное число вершин, разные границы и разную плотность полигональной сетки. Поэтому смещения вершин тела нельзя напрямую скопировать на одежду. Для переноса требуется решить несколько связанных подзадач: описать изменение формы тела, построить соответствия между телом и одеждой, передать деформацию на другую полигональную сетку и обработать области, где прямое соответствие между поверхностями неоднозначно.

Первый блок методов связан с описанием деформаций самого персонажа. В анимации часть деформаций возникает не из-за изменения телосложения, а из-за изменения позы: сгибания суставов, поворота плеча, движения локтя или появления локальных складок и выпуклостей. Для описания таких поправок используется подход деформации в пространстве поз, или Pose Space Deformation (PSD). В этом подходе художник задаёт корректирующую форму для определённой позы, а система сохраняет смещения вершин и интерполирует их для промежуточных положений [8]. Для рассматриваемой задачи PSD важен как пример того, как могут быть представлены корректирующие деформации поверхности персонажа. Однако сам по себе он не решает задачу переноса смещений между телом и одеждой, поскольку не учитывает различие топологии, свободные участки ткани, сохранение силуэта и предотвращение пересечений.

Другой способ описания изменений тела связан с параметрическими моделями персонажа. Например, модель Skinned Multi-Person Linear Model (SMPL) представляет тело через параметры формы и позы [10]. Такие модели позволяют получать согласованную геометрию тела при изменении антропометрических параметров и положения частей тела. Для задачи переноса морф-таргетов это важно потому, что изменение формы тела может быть задано не только отдельными смещениями вершин, но и более общими параметрами персонажа. Однако параметрические модели тела не решают задачу прямого переноса уже существующих морф-таргетов на произвольные модели одежды, поскольку одежда имеет собственную геометрию, топологию и свободные элементы.

После описания изменения тела возникает следующая задача – передать это изменение на другую поверхность. Для этого используются методы переноса деформаций между полигональными сетками. Их общая идея состоит в том, что деформация исходной поверхности описывается через локальные изменения геометрии, а затем переносится на целевую поверхность при наличии соответствий [13]. Такие методы важны для рассматриваемой задачи, поскольку тело и одежда являются разными полигональными сетками, и перенос должен выполняться не по совпадающим вершинам, а через найденные соответствия между поверхностями. Основное ограничение состоит в том, что качество результата сильно зависит от качества этих соответствий, особенно если исходная и целевая модели имеют разную топологию, плотность сетки и форму [12].

Для построения соответствий между поверхностями применяются методы регистрации. Одним из распространённых методов регистрации является Iterative Closest Point (ICP), который сопоставляет близкие точки или участки поверхностей и постепенно уменьшает расстояние между ними [15]. Для более сложных случаев используются нежёсткие модификации ICP, позволяющие деформировать одну поверхность относительно другой [2]. В задаче переноса морф-таргетов такие методы могут использоваться для определения областей одежды, которые близко следуют форме тела. Однако для свободной одежды ближайшая точка на теле не всегда является правильным соответствием: например, свободный рукав, воротник, низ платья или область подмышки могут находиться рядом с телом, но не должны полностью повторять его деформацию. Поэтому регистрация должна дополняться ограничениями на сохранение силуэта, локальной формы и отсутствие пересечений.

Ещё одним направлением являются методы деформации через управляющую геометрию. К ним относятся координаты среднего значения, или Mean Value Coordinates [7], и Green Coordinates [9]. В таких подходах изменение формы задаётся не каждой вершине напрямую, а через упрощённую управляющую оболочку или сетку. Это может быть полезно для плавного распространения деформации на одежду, особенно в тех случаях, когда прямое копирование смещений даёт резкие переходы или локальные артефакты. Однако эти методы также не учитывают специфику одежды полностью, поскольку сами по себе не различают плотные и свободные участки ткани и не решают задачу сохранения дизайна изделия.

Таким образом, общие методы описания деформаций персонажа, регистрации поверхностей, переноса деформаций и управления формой создают теоретическую основу для автоматической адаптации одежды. Однако для переноса морф-таргетов на одежду их недостаточно использовать изолированно. Такая система должна дополнительно разделять надёжные и неоднозначные зоны соответствия, восстанавливать форму в свободных участках ткани, контролировать пересечения и сохранять визуальные характеристики изделия.

Результаты сравнительного анализа

В результате сравнительного анализа рассмотренные подходы были распределены по четырём группам в зависимости от их основной задачи и применимости к автоматическому переносу морф-таргетов с тела персонажа на одежду. Такое деление позволяет отделить методы, предназначенные для синтеза или симуляции одежды, от методов, которые могут быть использованы для переноса деформаций между моделями с различной топологией.

Оценка выполнялась по критериям, указанным в разделе «Материалы и методы»: применимость к произвольным моделям одежды, зависимость от обучающих данных, работа со свободными участками ткани, возможность сохранения силуэта изделия, предотвращение пересечений и пригодность для разработки 3D-контента. Поэтому далее рассматривается не только принцип работы каждой группы методов, но и её ограничение относительно задачи автоматического переноса морф-таргетов.

Группа 1. Параметрические модели адаптации одежды.

К параметрическим подходам адаптации одежды относится DRAPE, где форма одежды моделируется на основе формы тела, позы и результатов физической симуляции [5]. Метод показывает, что одежда может автоматически подстраиваться под тела разных форм, однако его применение ограничено заранее заданным пространством модели и обучающими данными. Поэтому DRAPE полезна для синтеза одежды, но не решает напрямую задачу переноса уже существующих морф-таргетов тела на произвольные меши одежды.

Группа 2. Геометрические методы для одежды.

Метод переноса одежды с сохранением дизайна изделия направлен на адаптацию одной и той же модели одежды к телам разной формы [3]. Сначала строится приближённая форма одежды для нового тела, затем она уточняется с учётом сохранения силуэта, положения деталей, ориентации поверхности, посадки в плотных участках и отсутствия пересечений. Этот подход ближе к рассматриваемой задаче, поскольку работает именно с геометрической адаптацией одежды. Однако он ориентирован прежде всего на перенос изделия между телами, а не на автоматическое построение морф-таргетов для множества моделей одежды.

Группа 3. Перенос весов скелетной деформации и восстановление весов.

Методы переноса весов скелетной деформации не переносят морф-таргеты напрямую, но важны как пример работы с надёжными и неоднозначными зонами одежды. В плотных участках веса можно переносить по соответствиям с телом, а в свободных областях требуется восстановление весов или сглаживание, поскольку простое копирование по ближайшей точке приводит к ошибкам в подмышках, воротнике, паховой области и свободных частях одежды [1, 14].

Группа 4. ML- и data-driven-подходы.

ML-подходы, такие как TailorNet, GarNet и Unreal Engine Machine Learning Cloth Simulation, позволяют быстро предсказывать форму одежды на основе обучающих данных или заранее рассчитанных симуляций [4, 6, 11]. Их преимущество состоит в высокой скорости и качестве результата, близком к физической симуляции. В таких подходах итоговая форма одежды обычно рассматривается как результат предсказания смещений или деформаций по параметрам тела, позы, стиля изделия либо по данным предварительной симуляции. Однако их применение ограничено зависимостью от обучающих данных, типов одежды и подготовленного пространства деформаций. Поэтому они подходят для предсказания формы одежды, но хуже соответствуют задаче универсального переноса существующих морф-таргетов на произвольные модели.

Обсуждение результатов

Полученные результаты показывают, что задача автоматического переноса морф-таргетов с тела персонажа на одежду не сводится только к копированию смещений между поверхностями. Для плотных участков одежды такое решение может быть допустимым, однако свободные элементы ткани создают неоднозначные соответствия, пересечения и искажение силуэта изделия. Поэтому универсальная система переноса должна сочетать построение соответствий, перенос деформаций в надёжных областях и восстановление формы в проблемных зонах.

Отдельно следует различать физически достоверную симуляцию одежды и визуально приемлемую деформацию одежды для игровых персонажей. В первом случае основными критериями являются точность поведения ткани, реалистичная динамика складок и соответствие результатам физической симуляции. Во втором случае приоритетом становятся стабильность результата, отсутствие заметных пересечений, сохранение силуэта и пригодность для производственного процесса и систем реального времени. Поэтому методы, ориентированные на реалистичную симуляцию, не всегда напрямую применимы к задаче автоматического переноса морф-таргетов для игровых моделей.

В рамках рассмотренных источников наиболее близкими к поставленной задаче являются геометрические методы адаптации одежды, поскольку они потенциально могут работать с моделями различной топологии и не требуют обучающей выборки. Однако этот вывод следует рассматривать как предварительный: в статье не выполнялась экспериментальная оценка вычислительной сложности, производительности и применимости методов в системах реального времени. Поэтому окончательный выбор подхода требует дальнейшей экспериментальной проверки на разных типах одежды и наборах морф-таргетов.

Выводы и заключение

В результате исследования были рассмотрены методы и системы, применяемые для деформации 3D-моделей, регистрации поверхностей, переноса формы и адаптации одежды к изменяющейся геометрии тела персонажа. Анализ показал, что автоматический перенос морф-таргетов на одежду осложняется не только различием топологии тела и одежды, но и особенностями одежды как деформируемой поверхности. В плотных участках ткань может следовать форме тела, тогда как свободные элементы создают неоднозначные соответствия, пересечения, потерю объёма и искажение силуэта.

Рассмотренные подходы были распределены по четырём группам: параметрические модели одежды, геометрические методы адаптации одежды, методы переноса весов скелетной деформации и восстановления весов, а также ML- и data-driven-подходы. Параметрические и ML-методы позволяют получать качественную форму одежды, однако обычно требуют заранее подготовленных данных, обучающих выборок, симуляций или ограниченного пространства поддерживаемых типов одежды. Методы переноса весов скелетной деформации полезны для анализа надёжных и неоднозначных зон соответствия, но не решают задачу переноса морф-таргетов напрямую.

По результатам анализа рассмотренных источников геометрические методы адаптации одежды можно считать наиболее близкими к задаче переноса существующих морф-таргетов на произвольные модели одежды. Их преимущество состоит в потенциальной возможности работы с моделями различной топологии без обязательной обучающей выборки. Однако этот вывод относится только к рассмотренным методам и требует дополнительной проверки с учётом вычислительной сложности, производительности и применимости в системах реального времени.

Дальнейшие исследования целесообразно направить на разработку и экспериментальную проверку модульной системы переноса морф-деформаций, которая сочетает построение соответствий между телом и одеждой, перенос деформаций в надёжных областях, восстановление формы в свободных участках, контроль пересечений и сохранение визуальных характеристик изделия.

Список литературы:

1. Abdrashitov R. Robust skin weights transfer via weight inpainting [электронный ресурс] / R. Abdrashitov, K. Raichstat, J. Monsen, D. Hill // SIGGRAPH Asia 2023 Technical Communications (SA ’23, Sydney, NSW, Australia, December 12–15, 2023). — New York : Association for Computing Machinery, 2023. — Article no. 25. — 4 p. — DOI 10.1145/3610543.3626180. — Режим доступа. — URL: https://www.dgp.toronto.edu/~rinat/projects/RobustSkinWeightsTransfer/preprint.pdf (дата обращения 07.05.2026).
2. Amberg B. Optimal step nonrigid ICP algorithms for surface registration [электронный ресурс] / B. Amberg, S. Romdhani, T. Vetter // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2007). — Minneapolis : IEEE, 2007. — P. 1–8. — DOI 10.1109/CVPR.2007.383165. — Режим доступа. — URL: https://ieeexplore.ieee.org/document/4270190 (дата обращения 07.05.2026).
3. Brouet R. Design preserving garment transfer [электронный ресурс] / R. Brouet, A. Sheffer, L. Boissieux, M.-P. Cani // ACM Transactions on Graphics. — 2012. — Vol. 31, no. 4. — Article no. 36. — P. 36:1–36:11. — DOI 10.1145/2185520.2185532. — Режим доступа. — URL: https://www.researchgate.net/publication/314727316_Design_preserving_garment_transfer (дата обращения 07.05.2026).
4. Epic Games. Machine learning cloth simulation overview [электронный ресурс] // Unreal Engine 5.7 Documentation : [сайт]. — Режим доступа. — URL: https://dev.epicgames.com/documentation/unreal-engine/machine-learning-cloth-simulation-overview (дата обращения 07.05.2026).
5. Guan P. DRAPE : DRessing Any PErson [электронный ресурс] / P. Guan, L. Reiss, D. A. Hirshberg, A. Weiss, M. J. Black // ACM Transactions on Graphics. — 2012. — Vol. 31, no. 4. — Article no. 35. — P. 35:1–35:10. — DOI 10.1145/2185520.2185531. — Режим доступа. — URL: https://dl.acm.org/doi/abs/10.1145/2185520.2185531?download=true (дата обращения 07.05.2026).
6. Gundogdu E. GarNet : a two-stream network for fast and accurate 3D cloth draping [электронный ресурс] / E. Gundogdu, V. Constantin, A. Seifoddini, M. Dang, M. Salzmann, P. Fua // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2019). — 2019. — P. 8739–8748. — DOI 10.1109/ICCV.2019.00883. — Режим доступа. — URL: https://arxiv.org/pdf/1811.10983 (дата обращения 07.05.2026).
7. Ju T. Mean value coordinates for closed triangular meshes [электронный ресурс] / T. Ju, S. Schaefer, J. Warren // ACM Transactions on Graphics. — 2005. — Vol. 24, no. 3. — P. 561–566. — DOI 10.1145/1073204.1073229. — Режим доступа. — URL: https://www.researchgate.net/publication/220183758_Mean_value_coordinates_for_closed_triangular_meshes (дата обращения 07.05.2026).
8. Lewis J. P. Pose space deformation : a unified approach to shape interpolation and skeleton-driven deformation [электронный ресурс] / J. P. Lewis, M. Cordner, N. Fong // Proceedings of the 27th Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH ’00). — New York : ACM Press ; Addison-Wesley Publishing Co., 2000. — P. 165–172. — DOI 10.1145/344779.344862. — Режим доступа. — URL: https://dl.acm.org/doi/10.1145/344779.344862 (дата обращения 07.05.2026).
9. Lipman Y. Green coordinates [электронный ресурс] / Y. Lipman, D. Levin, D. Cohen-Or // ACM Transactions on Graphics. — 2008. — Vol. 27, no. 3. — Article no. 78. — P. 78:1–78:10. — DOI 10.1145/1360612.1360677. — Режим доступа. — URL: https://www.researchgate.net/publication/220183953_Green_Coordinates (дата обращения 07.05.2026).
10. Loper M. SMPL : a skinned multi-person linear model [электронный ресурс] / M. Loper, N. Mahmood, J. Romero, G. Pons-Moll, M. J. Black // ACM Transactions on Graphics. — 2015. — Vol. 34, no. 6. — Article no. 248. — P. 1–16. — DOI 10.1145/2816795.2818013. — Режим доступа. — URL: https://www.researchgate.net/publication/287815055_SMPL_a_skinned_multi-person_linear_model (дата обращения 07.05.2026).
11. Patel C. TailorNet : predicting clothing in 3D as a function of human pose, shape and garment style [электронный ресурс] / C. Patel, Z. Liao, G. Pons-Moll // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2020). — 2020. — P. 7363–7373. — DOI 10.1109/CVPR42600.2020.00739. — Режим доступа. — URL: https://www.researchgate.net/publication/343007006_TailorNet_Predicting_Clothing_in_3D_as_a_Function_of_Human_Pose_Shape_and_Garment_Style (дата обращения 07.05.2026).
12. Roberts R. A. Deformation transfer survey [электронный ресурс] / R. A. Roberts, R. K. dos Anjos, A. Maejima, K. Anjyo // Computers & Graphics. — 2021. — Vol. 94. — P. 52–61. — DOI 10.1016/j.cag.2020.10.004. — Режим доступа. — URL: https://www.sciencedirect.com/science/article/abs/pii/S0097849320301552  (дата обращения 07.05.2026).
13. Sumner R. W. Deformation transfer for triangle meshes [электронный ресурс] / R. W. Sumner, J. Popović // ACM Transactions on Graphics. — 2004. — Vol. 23, no. 3. — P. 399–405. — DOI 10.1145/1015706.1015736. — Режим доступа. — URL: https://dl.acm.org/doi/abs/10.1145/1015706.1015736 (дата обращения 07.05.2026).
14. Yoon S.-H. Transferring skin weights to 3D scanned clothes [электронный ресурс] / S.-H. Yoon, T. Kim, H.-W. Kim, J. Lee // ETRI Journal. — 2016. — Vol. 38, no. 6. — P. 1095–1103. — DOI 10.4218/etrij.16.2716.0019. — Режим доступа. — URL: https://www.researchgate.net/publication/305693026_Transferring_Skin_Weights_to_3D_Scanned_Clothes (дата обращения 07.05.2026).
15. Zhang J. Fast and robust iterative closest point [электронный ресурс] / J. Zhang, Y. Yao, B. Deng // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2022. — Vol. 44, no. 7. — P. 3450–3466. — DOI 10.1109/TPAMI.2021.3054619. — Режим доступа. — URL: https://ieeexplore.ieee.org/document/9336308 (дата обращения 07.05.2026).