StrandDesigner: Praktische Strangerzeugung mit Skizzenführung

StrandDesigner: Towards Practical Strand Generation with Sketch Guidance

August 3, 2025

papers.authors: Na Zhang, Moran Li, Chengming Xu, Han Feng, Xiaobin Hu, Jiangning Zhang, Weijian Cao, Chengjie Wang, Yanwei Fu

cs.AI

papers.abstract

Die realistische Erzeugung von Haarsträhnen ist entscheidend für Anwendungen wie Computergrafik und virtuelle Realität. Während Diffusionsmodelle Frisuren aus Text oder Bildern generieren können, mangelt es diesen Eingaben an Präzision und Benutzerfreundlichkeit. Stattdessen schlagen wir das erste skizzenbasierte Strähnen-Generierungsmodell vor, das eine präzisere Steuerung bei gleichbleibender Benutzerfreundlichkeit bietet. Unser Framework adressiert zentrale Herausforderungen, wie die Modellierung komplexer Strähneninteraktionen und vielfältiger Skizzenmuster, durch zwei Hauptinnovationen: eine lernfähige Strähnen-Upsampling-Strategie, die 3D-Strähnen in mehrstufige latente Räume kodiert, und einen mehrstufigen adaptiven Konditionierungsmechanismus, der einen Transformer mit Diffusionsköpfen verwendet, um Konsistenz über verschiedene Granularitätsebenen hinweg sicherzustellen. Experimente auf mehreren Benchmark-Datensätzen zeigen, dass unsere Methode bestehende Ansätze in Bezug auf Realismus und Präzision übertrifft. Qualitative Ergebnisse bestätigen weiterhin ihre Wirksamkeit. Der Code wird auf [GitHub](https://github.com/fighting-Zhang/StrandDesigner) veröffentlicht.

English

Realistic hair strand generation is crucial for applications like computer graphics and virtual reality. While diffusion models can generate hairstyles from text or images, these inputs lack precision and user-friendliness. Instead, we propose the first sketch-based strand generation model, which offers finer control while remaining user-friendly. Our framework tackles key challenges, such as modeling complex strand interactions and diverse sketch patterns, through two main innovations: a learnable strand upsampling strategy that encodes 3D strands into multi-scale latent spaces, and a multi-scale adaptive conditioning mechanism using a transformer with diffusion heads to ensure consistency across granularity levels. Experiments on several benchmark datasets show our method outperforms existing approaches in realism and precision. Qualitative results further confirm its effectiveness. Code will be released at [GitHub](https://github.com/fighting-Zhang/StrandDesigner).