💻 computer science

Adaptive Yarn Cards: Geometry-Aware Curved Texture Proxies for Efficient Rendering of Dynamic Woven Cloth

이 논문은 저해상도 실 시뮬레이션과 고밀도 렌더링을 분리하여 동적인 직물의 시각적 충실도를 효율적으로 근사화하면서도 기하학적 복잡성을 크게 줄이고 밀집된 실 기하 구조 대비 2.4배의 렌더링 속도 향상을 달出的 수 있는 기하학 인지형 곡선 질감 카드 표현인 적응형 실 카드(adaptive yarn cards)를 제안한다.

원저자: Jong-Hyun Kim

게시일 2026-10-01

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jong-Hyun Kim

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

직조된 직물의 디지털 버전을 만드는 것을 상상해 보십시오. 이를 실감 나게 만들기 위해서는 단순히 평평한 시트를 그리는 것이 아니라, 옷감을 구성하는 수천 개의 개별 실이 어떻게 뒤틀리고, 구부러지며, 서로 겹쳐지는지를 포함하여 실 하나하나를 모델링해야 합니다. 컴퓨터 그래픽스의 세계에서 이러한 수준의 디테일을 '얀 레벨 모델링(yarn-level modeling)'이라고 부릅니다. 이는 놀라울 정도로 사실적인 이미지를 만들어내지만, 컴퓨터가 처리하기에는 비용이 매우 많이 듭니다. 모든 개별 실을 별개의 3D 객체로 계산해야 하며, 천이 움직일 때마다 컴퓨터는 매 프레임마다 모든 실의 위치를 다시 계산해야 합니다. 이는 종종 애니메이션을 느리게 만들거나 실시간 상호작용을 불가능하게 만드는 무거운 부담을 초래하며, 특히 직물이 복잡하거나 빠르게 움직일 때 더욱 그렇습니다.

문제는 컴퓨터가 시간을 절약하기 위해 낮은 해상도로 천의 물리 법칙을 시뮬레이션하면서도, 시각적으로는 고해상도로 렌더링해야 할 때 더욱 까다로워집니다. 만약 단순히 시뮬레이션된 실들 사이의 빈 공간을 더 상세한 실들로 채워 넣는다면, 컴퓨터는 실제 움직임에는 관여하지 않는 기하학적 구조를 그리는 데 엄청난 양의 작업을 수행하게 됩니다. 이는 마치 실물 크기의 나무 다리를 짓고 나서, 결국은 평평한 판자 위에 그림을 그릴 수도 있었는데 나무를 모두 낭비했다는 사실을 깨닫는 것과 같습니다.

대한민국의 인하대학교 연구원이 이 문제를 해결할 수 있는 새로운 방법을 개발하여, 실의 사실적인 외관을 유지하면서도 복잡하고 움직이는 직물을 훨씬 더 빠르게 렌더링할 수 있게 되었습니다. 그들이 '어댑티브 얀 카드(adaptive yarn cards)'라고 부르는 이 솔루션은 무거운 3D 모델과 단순한 평면 이미지 사이의 영리한 중간 지점 역할을 합니다. 최종 이미지를 위해 수천 개의 개별 3D 실을 구축하는 대신, 이 시스템은 천의 모양을 따라 구부러지고 뒤틀리는, 마치 직물로 만든 카드와 같은 평평하고 곡선적인 텍스처 조각들을 사용합니다. 이 카드들은 단순히 평평한 사각형이 아니라, 천의 움직임에 따라 곡선을 맞추도록 형태가 잡혀 있으며, 표면에 정교한 직조 패턴의 상세한 이미지를 담고 있습니다.

이 방법의 탁월함은 카드를 어디에 사용할지, 그리고 카드의 크기를 얼마나 크게 할지를 결정하는 방식에 있습니다. 연구자는 움직이는 천의 모든 부분에 단일한 크기의 카드가 적합하지 않다는 점을 깨달았습니다. 천이 곧게 늘어져 있거나 완만하게 움직이는 영역에서는 크고 효율적인 카드가 충분히 괜찮습니다. 하지만 천이 구겨지거나, 뒤틀리거나, 물체와 충돌하는 영역에서는 큰 카드를 사용하면 투박하고 부정확해 보일 수 있습니다. 이를 처리하기 위해 시스템은 끊임없이 천의 모양을 측정합니다. 만약 날카로운 굴곡이나 복잡한 뒤틀림을 감지하면, 시스템은 자동으로 해당 영역을 더 작고 많은 수의 카드로 세분화하여 디테일을 포착합니다. 천이 매끄러운 경우에는 계산 능력을 아끼기 위해 카드를 크게 유지합니다. 이 과정은 천이 움직임에 따라 자동으로, 그리고 연속적으로 일어나며, 컴퓨터가 가장 필요한 부분에만 에너지를 쓰도록 보장합니다.

아이디어를 테스트하기 위해, 연구자는 커튼이 중력에 의해 드리워지는 상황, 천이 뒤틀리는 상황, 열로 인해 천이 수축하는 상황, 그리고 천이 구체와 충돌하는 상황 등 다양한 시나리오를 포함한 일련의 시뮬레이션을 실행했습니다. 모든 경우에서 그들은 이 새로운 방법과 모든 개별 실을 명시적으로 렌더링하는 전통적인 방식을 비교했습니다. 결과에 따르면, 새로운 어댑티브 카드 시스템은 무겁고 상세한 모델과 거의 동일한 이미지를 생성하면서도 훨씬 적은 작업량을 요구했습니다. 평균적으로 이 새로운 방법은 전통적인 방식보다 약 2.4배 더 빨랐습니다. 더 중요한 것은, 단순한 영역에서는 자원을 낭비하거나 복잡한 영역에서는 디테일을 포착하지 못하는 고정된 크기의 카드를 사용하는 방식보다 훨씬 더 효율적이었다는 점입니다.

연구자는 이 접근 방식이 원통형 소매나 원뿔형 치마처럼 복잡한 3D 형태에서 시작하여 구겨지거나 접히는 형태의 직물에도 잘 작동한다는 것을 발견했습니다. 시스템은 변화하는 형태의 복잡성에 맞춰 카드의 크기와 수를 성공적으로 조절했습니다. 이 방법이 관찰자가 실의 개별 단면까지 봐야 하는 극단적인 근접 촬영에는 완벽하지 않을 수 있지만, 대부분의 사람들이 디지털 천을 바라보는 거리에서는 탁월한 성능을 발휘합니다. 물리 시뮬레이션과 시각적 렌더링을 분리함으로써, 연구자는 컴퓨터가 모든 실을 모델링하는 무거운 작업을 강요하지 않고도 밀도 있고 사실적인 디지털 직물을 보여줄 수 있는 방법을 만들어냈습니다. 이러한 발전은 복잡하고 사실적인 천 애니메이션이 표준 컴퓨터에서도 부드럽게 실행될 수 있는 미래를 암시하며, 더욱 몰입감 있는 가상 환경과 상호작용 시뮬레이션의 문을 열어줍니다.

기술 요약: 적응형 얀 카드 (Adaptive Yarn Cards)

문제 정의

얀 레벨(Yarn-level)의 천 표현 방식은 직조 구조와 개별 실의 기하학적 특성을 명시적으로 모델링함으로써 높은 시각적 충실도를 제공한다. 그러나 렌더링을 위해 방대한 양의 고해상도 얀 기하 구조를 명시적으로 생성하고 처리해야 하기 때문에 상당한 계산 및 기하학적 비용이 발생한다. 이러한 문제는 시각적 렌더링에 필요한 해상도가 물리 시뮬레이션의 해상도를 초과할 때 더욱 악화된다. 이 경우, 희소한 시뮬레이션 노드 사이에 조밀한 렌더링용 얀을 보간하는 과정에서 실제 역학에는 기여하지 않는 복잡한 기하 구조가 생성되어 렌더링 부하를 크게 증가시킨다. 헤어 렌더링 기술은 종종 텍스처가 입혀진 카드를 사용하여 가닥을 근사화하지만, 이러한 방식은 일반적으로 평면 사각형(planar quads)이나 고정된 크기의 카드에 의존하며, 이는 동적으로 변형되는 직조된 천의 복잡한 이중 곡면(doubly-curved surfaces) 및 교차하는 경사(warp)-위사(weft) 구조를 효과적으로 근사화하지 못한다.

방법론

본 논문은 저해상도 얀 시뮬레이션과 고밀도 렌더링을 분리하는 새로운 표현 방식인 **적응형 얀 카드(Adaptive Yarn Cards)**를 제안한다. 이 방법은 명시적인 고밀도 얀 기하 구조를 곡선형이며 기하학을 인식하는 텍스처 프록시(textured proxies)로 대체한다.

핵심 파이프라인

시뮬레이션과 렌더링의 분리: 시스템은 물리 시뮬레이션을 위해 저해상도 얀 구조( $Y^S$ )를 사용한다. 고밀도 시각적 외관은 기하 구조로서 생성되는 대신, 천의 2D 파라미터 도메인 상에 정의된 절차적 텍스처( $T_{yarn}$ )로 압축된다. 이 텍스처는 교차 지점에서의 상하 관계를 포함하여 주기적인 경사 및 위사 패턴을 인코딩한다.
곡선형 텍스처 카드 표현: 평면 빌보드 대신, 각 카드는 현재 시뮬레이션된 천 표면( $S_t$ )을 샘플링하여 구축된 곡선형 메쉬이다. 정점 위치는 $p_k(u,v,t) = S_t(u,v) + \delta n_t(u,v)$ 로 정의된다 (여기서 $\delta$ 는 z-fighting를 방지하기 위한 작은 오프셋이다). 카드는 전역 UV 좌표를 유지하여, 세분화(subdivision) 여부와 상관없이 얀 패턴이 카드 경계 사이에서 연속성을 유지하도록 한다.
기하학 인식 적응형 분할: 고정된 크기의 카드가 갖는 비효율성(평탄한 영역은 과하게 근사하고 복잡한 영역은 부족하게 근사하는 문제)을 피하기 위해, 본 방법은 기하학 인식 에러 메트릭을 기반으로 한 재귀적 세분화 전략을 채택한다.
- 에러 메트릭: 후보 영역에 대한 에러( $E_k$ $E_{k}$ )는 세 가지 정규화된 항의 조합으로 구성된다:
  - 법선 변화량 ( $\tilde{E}^N$ ): 광범위한 척도의 표면 방향 변화를 측정한다.
  - 국소 곡률 변화량 ( $\tilde{E}^C$ ): 인접한 표면 법선 간의 차이를 통해 국소적인 굽힘을 측정한다.
  - 쌍선형 기하학적 편차 ( $\tilde{E}^G$ ): 단순한 4각 코너 쌍선형 패치로부터의 표면 편차를 측정하여 뒤틀림 및 비선형 변형을 감지한다.
- 적응형 로직: 결합된 에러가 분할 임계값( $\tau_{split}$ )을 초과하면 영역을 세분화한다. 에러가 병합 임계값( $\tau_{merge}$ ) 아래로 떨어지면 자식 영역을 병합한다. 이러한 임계값 사이의 히스테리시스 구간(hysteresis interval)은 동적 변형 중 발생하는 시간적 팝핑(temporal popping) 현상을 방지한다.
시간적 일관성: 적응형 계층 구조는 계산 비용과 반응성 사이의 균형을 맞추기 위해 매 프레임이 아닌 $N_{update}$ 프레임(기본값 6)마다 업데이트된다.

주요 기여

적응형 얀 카드 표현: 시뮬레이션 해상도와 렌더링 밀도를 분리하여, 명시적인 고밀도 얀 기하 구조를 동적 천 변형을 따르는 곡선형 텍스처 프록시로 대체하는 방법론을 제시한다.
곡선형 텍스처 카드 렌더링: 직조된 외관을 텍스처 공간으로 압축하는 동시에, 정적인 평면 사각형이 아닌 시뮬레이션된 표면으로부터 샘플링된 곡선형 프록시로서 변형되는 카드를 사용하는 기술을 제시한다.
기하학 인식 에러 메트릭: 법선 변화량, 곡률, 쌍선형 기하학적 편차를 결합한 복합 메트릭을 통해, 국소적 복잡도에 따라 기하학적 자원을 할당하는 적응형 분할 체계를 구동한다.
포괄적인 평가: 다양한 장면(드레이핑, 뒤틀림, 열 수축, 충돌 및 비평면 구성)에 대해 제안된 방법론을 밀집 얀 기하 구조, 고정 크기 곡선 카드, 텍스처링된 시뮬레이션 메쉬와 비교하였다.

실험 결과

실험은 드레이핑, 뒤틀림, 열 수축, 구체 충돌, 그리고 복잡한 비평면 구조(원뿔형 스커트, 원통형 소매)를 포함하는 장면들을 대상으로 수행되었다.

기하학적 복잡도: 적응형 방법은 밀집 얀 기하 구조에 비해 렌더링 프리미티브 수를 실질적으로 감소시킨다. 평균적으로 고정 크기 카드 구성(예: 고정 카드 225개 대비 적응형 카드 91.1개)과 비교했을 때 카드 수를 약 59.5% 감소시킨다.
렌더링 성능: 제안된 방법은 명시적인 밀집 얀 기하 구조 대비 평균 약 2.4배의 렌더링 속도 향상을 달s한다. 또한 기하학적 복잡도가 요구되는 곳에만 자원을 할당함으로써 고정 크기 카드보다 우수한 성능을 보인다.
시각적 품질: 본 방법은 밀집 얀 베이스라인의 주요 직조 외관과 전체적인 형태를 보존한다. 근거리에서의 개별 얀의 단면이나 깊은 자기 폐쇄(self-occlusion)까지 복구하지는 못하지만, 중거리 및 원거리 시청 거리에서 시각적 연속성과 패턴 충실도를 유지한다.
어블레이션 연구(Ablation Studies): 세 가지 에러 항(법선, 곡률, 기하학적 편차) 중 하나라도 제거할 경우 시각적 에러(LPIPS)와 실루엣 에러가 증가하였으며, 이는 각 항이 서로 다른 공간 척도의 변형을 보완적으로 포착함을 확인시켜 준다.
민감도: 분할 임계값( $\tau_{split}$ )과 업데이트 간격( $N_{update}$ )을 통해 시각적 충실도, 시간적 안정성, 렌더링 성능 사이의 트레이드오프를 조절할 수 있다.

의의 및 한계

본 논문은 적응형 얀 카드가 복잡한 변형 가능한 천의 실시간 및 인터랙티브 렌더링에 적합한 경량 표현을 제공한다고 주장한다. 직조 패턴의 시각적 밀도를 표면의 기하학적 복잡도와 분리함으로써, 시뮬레이션 해상도를 높이지 않고도 높은 충실도의 렌더링을 가능하게 한다.

저자는 이 방법이 모든 스케일에서 명시적인 얀 레벨 렌더링을 완전히 대체할 수 있는 것은 아님을 명시한다. 이 방법은 개별 얀의 단면이나 시차(parallax)보다 거시적인 변형과 직조 구조가 지배적인 중·원거리 렌더링에 가장 효과적이다. 또한, 본 방법은 일관된 천 파라미터 도메인을 가정하며, 찢어짐(tearing)이나 솔기(seams)와 같은 토폴로지 변화를 기본적으로 처리하지 않는다. 향후 연구로는 시점 및 스크린 공간 기준과 근거리 렌더링을 위한 하이브리드 LOD 전환의 통합이 제안되었다.