СТВОРЕННЯ ГЕНЕРАТИВНОГО ДИЗАЙНУ 3D-ПЕРСОНАЖІВ НА ОСНОВІ АНАЛІЗУ СТРУКТУРНОГО ЗОБРАЖЕННЯ
DOI:
https://doi.org/10.32782/2415-8151.2025.35.39Ключові слова:
генеративна модель, полігональна сітка, 3D-персонаж, складовий елемент, комп’ютерне моделювання, єдина полігональна сітка, видимі сегменти, аналіз зображеньАнотація
Останніми роками генеративні моделі для створення 3D-об’єктів продемонстрували значний прогрес, однак наявні підходи часто обмежуються створенням моделей, представлених єдиною полігональною сіткою. Це обмежує функціональність й адаптивність створених об’єктів. У цій статті розглядається потреба в розробці генераторів 3D-персонажів на основі глибоких генеративних моделей, які здатні розуміти та аналізувати структуру об’єкта, визначати його складові елементи та створювати багатосіткові представлення. На відміну від наявних рішень, які створюють єдину полігональну сітку, запропонований підхід спрямований на створення моделей із чітким поділом на функціональні компоненти, що значно підвищує їх практичну застосовність. Мета. Створити метод, який аналізує структурний склад об’єктів для генерації 3D-моделей, що містять кілька функціонально необхідних частин, а не єдину сітку. Методологія. У дослідженні використано такі методи: − аналітичний, за допомогою якого проаналізовано літературу; − теоретичний і концептуальний, який дав змогу визначити умови, необхідні для впровадження ІТ в культурну та мистецьку практику. У дослідженні застосовувалися методи комп’ютерного моделювання та аналізу, що підвищило точність результатів. Результати. Розроблено новий метод й успішно запропоновано підхід із використанням попередньо навчених моделей для аналізу зображень об’єктів. Наукова новизна. Упровадження нового методу аналізу структури об’єктів, який виходить за межі традиційної генерації єдиної сітки, та розробка інноваційного підходу, що поєднує попередньо навчені моделі для аналізу зображень із генерац ією сегментованих 3D-моделей. Практична значущість. Ця практична значущість демонструє цінність дослідження для різних галузей і застосувань, роблячи його особливо актуальним для впровадження в реальному світі: 1. Спрощує процес створення ігрових персонажів. 2. Дає змогу динамічно змінювати зовнішній вигляд і структуру персонажів у реальному часі. 3. Покращує анімацію персонажів.
Посилання
Dering M., Cunningham J., Desai R., Yukish M. A., Simpson T. W., Tucker C. S. A Physics-Based Virtual Environment for Enhancing the Quality of Deep Generative Designs. ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, Quebec City, Quebec, Canada, 2018. 54 p .
Fujita K., Minowa K., Nomaguchi Y., Yamasaki S., Yaji K. Design Concept Generation With Variational Deep Embedding Over Comprehensive Optimization. International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, Virtual, 2021. 38 p.
Furferi R. Deep Learning Approaches for 3D Model Generation from 2D Artworks to Aid Blind People with Tactile Exploration. 2024. 12 p.
Girdhar R., Fouhey D. F., Rodriguez M., Gupta A. Learning a Predictable and Generative Vector Representation for Objects. European Conference on Computer Vision, Springer, Amsterdam, 2016. Pp. 484–499.
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Nets. Advances in Neural Information Processing Systems, Palais des Congrès de Montréal, Montréal, 2014. Pp. 2672–2680.
Guillard B., Remelli E., Yvernay P., Fua P. Sketch2mesh: Reconstructing and Editing 3D Shapes From Sketches. IEEE/CVF International Conference on Computer Vision, Virtual, 2021. 10 p.
Gunpinar E., Ovur S. E., Gunpinar S. A User-Centered Side Silhouette Generation System for Sedan Cars Based on Shape Templates. Optim. Eng., 2019. Vol. 20(3). Pp. 683–723.
Han X., Gao C., Yu Y. Deepsketch2face: A Deep Learning Based Sketching System for 3D Face and Caricature Modeling. ACM Trans. Graph., 2017. Vol. 36(4). Pp. 1–23.
Jin A., Fu Q., Deng Z. Contour-Based 3D Modeling Through Joint Embedding of Shapes and Contours. Symposium on Interactive 3D Graphics and Games, San Francisco, CA, 2020. Pp. 1–10.
Kingma D. P., Welling M. Auto-Encoding Variational Bayes. Preprint arXiv, 2013. 114 p.
Lun Z., Gadelha M., Kalogerakis E., Maji S., Wang R. 3D Shape Reconstruction From Sketches Via Multi-View Convolutional Networks. 2017 International Conference on 3D Vision (3DV), IEEE, Qingdao, 2017. Pp. 67–77.
Nozawa N., Shum H. P., Feng Q., Ho E. S., Morishima S. 3D Car Shape Reconstruction From a Contour Sketch Using GAN and Lazy Learning. Vis. Comput., 2021. Vol. 38(4). Pp. 1317–1330.
Nozawa N., Shum H. P., Ho E. S., Morishima S. Single Sketch Image Based 3D Car Shape Reconstruction With Deep Learning and Lazy Learning. 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, Valetta, 2020. Pp. 179–190.
Oh S., Jung Y., Kim S., Lee I., Kang N. Deep Generative Design: Integration of Topology Optimization and Generative Models. ASME J. Mech. Des., 2019. Vol. 141(11). 405 p.
Pratt M. J., Anderson B. D., Ranger T. Towards the Standardized Exchange of Parameterized Feature-Based CAD Models. Comput. Aided Des., 2005. Vol. 37(12). Pp. 1251–1265.
Reid T. N., Gonzalez R. D., Papalambros P. Y. Quantification of Perceived Environmental Friendliness for Vehicle Silhouette Design. ASME J. Mech. Des., 2010. Vol. 132(10). 1010 p.
Shu D., Cunningham J., Stump G., Miller S. W., Yukish M. A., Simpson T. W., Tucker C. S. 3D Design Using Generative Adversarial Networks and Physics-Based Validation. ASME J. Mech. Des., 2020. Vol. 142(7). 1701 p.
Xiang N., Wang R., Jiang T., Wang L., Li Y., Yang X., Zhang J. Sketch-Based Modeling With a Differentiable Renderer. Comput. Animat. Virtual Worlds, 2020. Vol. 31(4–5). e1939.
Yuan Y.-J., Lai Y.-K., Yang J., Duan Q., Fu H., Gao L. Mesh Variational Autoencoders With Edge Contraction Pooling. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Virtual, 2020. Pp. 274–275.
Zhang W., Yang Z., Jiang H., Nigam S., Yamakawa S., Furuhata T., Shimada K., Kara L. B. 3D Shape Synthesis for Conceptual Design and Optimization Using Variational Autoencoders. International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, Anaheim, CA, 2019. P. V02AT03A.
