COrigami: Eine KI-Pipeline für das Co-Design von flach faltbarem, visuell erkennbarem Origami

Zusammenfassung

Obwohl generative KI bemerkenswerte Erfolge bei der Lösung von Problemen mit überprüfbaren Lösungen erzielt hat, bleibt die Erzeugung physischer Kunst, die sowohl strenge geometrische Randbedingungen als auch subjektive visuelle Ästhetik erfüllt, eine Herausforderung. Diese Arbeit stellt einen Ansatz vor, um diese Schwierigkeiten im Bereich des computergestützten Origami zu bewältigen – einer mathematisch strengen Umgebung, die künstlerisches Gestalten in den Gleichungen der Flachfaltbarkeit verankert. Wir präsentieren COrigami, eine durchgängige KI-gestützte Pipeline, die den Designprozess durch die Erzeugung von Faltmustern aus natürlicher Sprache unterstützt. Unsere Pipeline umfasst die Erzeugung einer semantischen Strichfigur, die Berechnung einer Base-Packing-Lösung, die Lösung für ein flachfaltbares Faltmuster, die Formgebung des flachgefalteten Musters sowie die Verfeinerung des erzeugten Modells mittels verstärkendem Lernen, gesteuert durch eine autonome ästhetische Bewertungsschleife. Unser System fungiert als hochwirksamer kollaborativer Assistent, der strukturelle Ausgangspunkte generiert, die menschliche Künstler weiter ausbauen und formen können. Durch die Integration algorithmischer Optimierung mit autonomer ästhetischer Kritik zeigt diese Arbeit, wie KI-Systeme multikriterielle physikalische Randbedingungen erfüllen können, um eine zuverlässige, mathematisch fundierte Ko-Kreativität zu ermöglichen.

English

While generative AI has achieved remarkable success in solving problems with verifiable solutions, generating physical art that satisfies both strict geometric constraints and subjective visual aesthetics remains a challenge. This paper presents an approach to tackle these difficulties in the domain of computational origami, a mathematically rigid environment that grounds artistic design within the equations of flat foldability. We present COrigami, an end-to-end AI-driven pipeline that assists the design cycle by generating crease patterns from natural language. Our pipeline involves generating a semantic stick figure, computing a base packing, solving for a flat-foldable crease pattern, shaping the flat-folded crease pattern, and refining the generated model using reinforcement learning driven by an autonomous aesthetic evaluation loop. Our system acts as a highly effective collaborative assistant, generating structural starting points that human artists can further expand and shape. By integrating algorithmic optimisation with autonomous aesthetic critique, this work demonstrates how AI systems can satisfy multi-objective physical constraints to enable reliable, mathematically grounded co-creativity.