Progressive Dynamics for Cloth and Shell Animation

一句话总结

本文提出 Progressive Dynamics（渐进式动力学），一种由粗到细、支持细节层级（LOD）的物理动画方法：先在极粗网格上快速生成”预览”动画，再逐级细化到高分辨率，且保证各分辨率之间的逐帧轨迹一致与逐帧时间连续。它让艺术家能在秒级的粗预览上反复试验设计参数，最终只对选定方案做一次昂贵的高分辨率细化，从而把布料/薄壳动画的设计迭代成本大幅降低。

问题背景

薄壳与布料的褶皱、屈曲、悬垂动力学在动画中至关重要，但同时具备”高质量”与”高速度”至今仍是难题。高保真方法（如基于 IPC 的 C-IPC 壳模拟 [Li et al. 2021]）质量好，但要求高分辨率网格、模拟极慢，设计阶段反复迭代代价过高。

一个自然的做法是”预览”（previs）：先用快速、低精度、低分辨率的模型搭好动画，再做最终高分辨率模拟。但这条路有两个长期存在的根本缺陷：

1. 不一致（inconsistency）：最终高分辨率的”英雄级”模拟结果，往往和精心设计的低分辨率起点截然不同——同样的抛掷动作在不同分辨率下会命中/错过目标（见论文 Toy Toss、Octocats 例子）。
2. 粗网格伪影：低分辨率壳模拟常出现严重的膜锁定（membrane locking）、不稳定和崩溃，粗预览本身就不可用（例如充气球砸地时直接模拟直接皱成一团）。

因此本文的目标是：构建一套 LOD 模拟-设计流程，使粗预览既无低分辨率伪影，又能预测性地匹配后续任意更细分辨率的细化结果。这项工作把此前只针对静态悬垂建模的 Progressive Simulation 框架 [Zhang et al. 2022, 2023] 扩展到了动态动画。

核心方法

作者把状态放在一个时空 + 多分辨率网格上：每个格点 \((t, l)\) 对应时间步 \(t \in [0, N]\) 与分辨率层级 \(l \in [0, L]\)，存储位置 \(x_l^t\) 与速度 \(v_l^t\)。整个方法就是在这张网格上推进：水平方向是同一层级的时间步进 \((t,l)\to(t+1,l)\)，垂直方向是同一时间步的分辨率细化 \((t,l)\to(t,l+1)\)。

挑战一：粗层级的高质量预览时间步进

标准隐式欧拉时间步可写成增量势能（Incremental Potential, IP）的最小化：

\[x_l^{t+1} = \arg\min_x \frac{1}{2h^2}\lVert x - \hat{x}_l^t\rVert_{M_l}^2 + E_l(x)\]

其中 \(h\) 是步长，\(M_l\) 是质量矩阵，\(\hat{x}_l^t = x_l^t + h v_l^t\) 是显式动量更新项，\(E_l\) 是壳弹性+接触+摩擦+应变限制的总势能。直接在粗网格上用它会产生锁定和发散。

作者的关键做法（沿用静态 PSQ 的思想）是在时间步中用最细层级的壳弹性势能，通过 shell 定制的延拓算子（prolongation） \(P_l(\cdot)\) 把粗网格位形映射到最细分辨率来评估弹性能，得到”粗-细延拓 IP”：

\[x_l^{t+1} = \arg\min_x \frac{1}{2h^2}\lVert x - \hat{x}_l^t\rVert_{M_l}^2 + C_l(x) + \Psi_L\big(P_l(x)\big)\]

其中 \(\Psi_L\) 是最细层级的壳弹性总势能，\(C_l\) 是当前层级的接触/应变限制屏障势能。这一步显著缓解了膜锁定，让粗预览稳定可用，同时因为各层级都用同一套最细弹性模型，为跨分辨率一致性打下基础。

挑战二：跨层级一致 vs 时间连续的矛盾

作者用实验说明了两种朴素策略都不行：

• 纯水平（各层级独立时间步进，即便加了延拓 IP）：每个层级都是良态时间积分，时间连续性好，但因为各层级在不同位形上采样细层弹性力，轨迹会随时间显著发散——欠约束。
• 纯垂直（对粗预览的每一帧用 PSQ 静态细化）：能得到逐帧跨分辨率一致，但 PSQ 的平衡态假设会把每帧拉回最近平衡（例如把撞墙皱缩的鸭子瞬间恢复成静止形状），从而破坏动力学、产生抖动/跳变——过约束。

挑战三：渐进推进（Progressive Advancement）——本文核心算法

解决办法是把上一层级的动量延拓到下一层级，用它来定义下一层级时间步的惯性（动量）更新，从而在保证时间连续的同时锁住跨层级的整体轨迹。

对每个新层级 \(l+1\)，先由上一层级的位置做显式有限差分外推，构造延拓动量更新：

\[\hat{x}_{l+1}^t = P_{l+1}^l(x_l^t) + h\, V_{l+1}^l(x_l^t)\, v_l^t = P_{l+1}^l(x_l^t) + V_{l+1}^l(x_l^t)\big(x_l^t - x_l^{t-1}\big)\]

其中 \(P_{l+1}^l\) 是 PSQ 壳延拓算子，\(V_{l+1}^l = \nabla P_{l+1}^l\) 是对应的速度延拓算子。然后在新层级上解渐进 IP：

\[x_{l+1}^{t+1} = \arg\min_x \frac{1}{2h^2}\lVert x - \hat{x}_{l+1}^t\rVert_{M_{l+1}}^2 + C_{l+1}(x) + \Psi_L\big(P_{l+1}(x)\big)\]

这个能量有三个关键项：(1) 当前层级几何上的 IPC 屏障 \(C_{l+1}\) 保证严格无穿插、满足应变限制；(2) 延拓弹性 \(\Psi_L(P_{l+1}(x))\) 用最细层级弹性力丰富细节；(3) 惯性项用从上一层级动量外推而来的更新 \(\hat{x}_{l+1}^t\)。这样，新层级的动力学由上一层级的动量驱动（保证一致性），而弹性和接触在新层级生成更丰富的几何，再通过动量传给下一层级。

对角细化视角与并行性

从时空网格看，Progressive Dynamics 实际是沿对角线推进：每步同时前进时间与分辨率 \((t,l)\to(t+1,l+1)\)，等价于在每个时间步做”网格自适应”到下一分辨率再求解。由于某格点 \((t,l)\) 的动量更新只依赖上一层级的 \((t-1,l-1)\) 与 \((t-2,l-1)\)，原则上同一层级的各时间步可并行求解，打破了标准隐式积分必须顺序推进的限制。

作者定义了两种 warm-start 来给 IPC 的牛顿求解提供可行（无穿插）初值：水平 warm-start（用同层上一时间步的解）和垂直 warm-start（用 [Zhang et al. 2023] 的 safe upsampling 把下一层同时间步的解安全上采样）。二者可任意组合，只要格点所需的”下方与左方”支撑已算出即可，为多种并行策略打开空间。

技术细节

• 底层物理模型：Neo-Hookean 膜 + 离散铰链弯曲（discrete-hinge bending）作为壳弹性；C-IPC [Li et al. 2021] 提供接触、摩擦与应变限制屏障。时间积分用隐式欧拉（BDF2、隐式 Newmark 也可类推）。
• 延拓算子：\(P_{l+1}^l(x_l) = U_{l+1}^l x_l + a_{l+1}^l(x_l)\)，由稀疏线性内蕴映射 \(U\) 与外蕴非线性偏移 \(a(\cdot)\) 组成，优于早期基于细分的算子。求梯度时把非线性偏移项 \(a\) 视为常量，故速度延拓近似用内蕴映射 \(U\)。
• 求解器：采用 [Li et al. 2021] 的屏障过滤牛顿法。非最细层级解到牛顿减量小于 \(10^{-3}\)（或不再下降）即停；最细层级则解到收敛。
• 层级与步长设置：实用步长 \(h\) 取 \(0.04\text{s}\sim0.01\text{s}\)，中间层级一般 1~2 个。步长越小捕捉的高频动力学越多、数值阻尼越少但成本越高；中间层级越多，最细结果细节越丰富但成本越高（粗预览结果与层数无关，恒定）。
• 实现：C++，CHOLMOD 做线性求解，Eigen 做其余线性代数；在 Intel i7-10700K / 32GB 上测试。

实验结果

作者在一系列压力测试与设计任务上验证：

• 一致性：在 Bouncy Cube（软硬材料剧烈碰撞）、Bouncing Jumble（多体尖锐接触）、Waving Cat Flag（20s 长时高动态挥旗）等例子中，跨分辨率的质心轨迹与逐帧几何长期紧密匹配；而直接模拟（IPC 与 Houdini Vellum 的 XPBD）几乎立刻在不同分辨率间发散。用 2-范数质心偏差与逐帧动能曲线定量证实了这种”一阶一致性”。
• 自我修复现象：Bouncing Jumble 中曾出现单个立方体在约 5 帧（0.05s）内跨层级偏离（第 91 帧动能差达峰值），随后 Progressive Dynamics 自动修复，恢复了与其他物体一致的轨迹。
• 抗锁定：Ball Drop（930 顶点粗网格）中，直接模拟立刻锁定皱成一团，而 PD 粗预览能正确地压缩-凹陷-回弹。
• 细节丰富性：Laundry Basket、Spin Cycle 等展示了随分辨率提升，褶皱分叉/合并、高速缠绕、摩擦 stick-slip、飞离时刻等细节被渐进丰富，且整体行为保持一致。
• 加速比：相较于此前必须用”直接细层级预览”，PD 的预览步进在 Laundry Basket、Smushing Octocats、Bouncing Jumble、Waving Cat Flag 上分别加速约 21×、30×、52×、75×。最细层级每步与对应直接模拟的单步成本相同（无额外开销），而粗预览相对同分辨率直接模拟约有 2× 开销（来自梯度采样与限制到细层）。
• 设计任务：Toy Toss、Smushing Octocats、Sky Dancers 等端到端例子说明，艺术家可用粗预览快速探索初始条件、材料、布局与风力等参数，定稿后再一次性细化为高质量成片。

贡献与局限

贡献：

1. 一种简单高效的粗层级隐式时间步进方法（延拓 IP），显著缓解粗网格壳动力学的锁定等伪影，提供高质量预览。
2. 面向三角网格层级的多分辨率渐进公式与延拓模型（含速度延拓）。
3. 一套 Progressive Dynamics LOD 时间步进与细化算法，同时保证逐时间步的跨分辨率一致与逐层级的时间连续，并具备对角推进带来的并行潜力。

局限与未来工作：

• 预览网格若过粗，运动学锁定仍会限制结果，值得引入自适应重网格化。
• 更小步长可能需要更多中间层级来平衡，层数/最细网格分辨率之间的权衡尚待更深入分析。
• 目前聚焦布料与薄壳，向体积模型及更高余维模型推广是重要方向。