布料动画合成是一项使用计算机模拟现实世界中服装动态变形的技术。作为计算机图形学领域的重要分支，布料动画合成在电影电视、虚拟现实以及服装工业等领域应用广泛。现有基于物理仿真的布料动画合成是一种知识驱动的方法，能够利用力学方程生成高质量的布料动画。该方法的主要问题是布料力学材质的参数很难调节，且仿真高分辨率网格所需的计算量较大。针对上述问题，本文围绕着数据驱动的布料动画合成技术开展研究。该技术首先通过物理仿真法或者运动捕获法生成高质量布料形态数据库，再通过构建蕴含布料力学属性的生成模型，能够根据不同场景进行布料动画合成，具有运行速度快、生成质量高等优势。本文分别从图像超分辨率技术、多特征图像关联以及时空变形特征融合三个方面尝试数据驱动的高质量布料动画合成方法，主要创新成果如下：

       本文提出了一种基于图像超分辨率的布料动画合成方法。所提方法将三维网格细节增强问题转换成二维图像超分辨率问题，利用卷积神经网络快速合成高质量的布料动画。在布料动画合成任务中，欧式表示有助于深度学习的应用。本文将非欧三维网格表示为欧式几何图像，分别对高低分辨率网格进行编码得到相应的图像。该表示方法解决了三维流形数据顶点散布不均匀、排列不整齐、难以定义卷积等结构化操作的问题。本文进一步提出了基于残差超分辨率网络的图像增强方法，能够从低分辨率图像中获取变形信息并合成相应的褶皱细节，其速度较物理仿真方法有明显提升。 
       本文提出了一种基于多特征图像关联的布料动画合成方法。由于位置特征对三维模型细节表达的局限性，研究人员针对不同任务提出了全局或局部位移、法向贴图等特征表示方法，但未能有效利用不同特征之间的关联性。所提方法采用了包含位移、法向和速度特征的几何图像作为输入，利用残差密集连接的联合超分辨率网络学习跨特征关联信息。本文为位移、法向和速度特征设计了相应的监督损失函数，分别约束了合成结果的全局变形、局部细节和时序稳定性。同时，本文提出了无监督学习的动力学损失函数，通过动力学分析约束速度特征和位移特征的时序关联性，提升了布料动画合成结果的真实性和稳定性。
       本文提出了一种融合时空变形特征的布料动画合成技术。几何深度学习技术尝试摒弃欧式转换方法，直接在非欧数据上扩展神经网络模型，这引出了一系列新的挑战。首先，流形网格顶点空间分布不均匀，与图像相比复杂度更高，如何表示布料动画的有效变形是个难题。本文提出了时空几何变形表示方法，通过对顶点邻域内的局部变形特征进行时空一致性约束，将布料动画转换成大尺度几何变形序列。其次，深度学习中的结构化操作如卷积、池化等操作无法直接用于非欧数据。本文利用邻域相关的三维卷积层将变形特征编码到隐空间，并提出了基于注意力机制的时空推理网络进行变形细节增强。实验结果表明，该方法能够有效建立低分辨率到高分辨率变形空间的映射，进一步提升了布料动画合成结果的鲁棒性和真实性。