COrigami : Un pipeline d'IA pour la co-conception d'origamis pliables à plat et visuellement reconnaissables

Résumé

Bien que l'IA générative ait connu un succès remarquable dans la résolution de problèmes à solutions vérifiables, la génération d'art physique qui satisfait à la fois des contraintes géométriques strictes et une esthétique visuelle subjective reste un défi. Cet article présente une approche pour relever ces défis dans le domaine de l'origami computationnel, un environnement mathématiquement rigide qui ancre la conception artistique dans les équations de la pliabilité à plat. Nous présentons COrigami, un pipeline de bout en bout piloté par l'IA qui assiste le cycle de conception en générant des motifs de plis à partir du langage naturel. Notre pipeline comprend la génération d'une figure filaire sémantique, le calcul d'un emballage de base, la résolution d'un motif de plis pliable à plat, la mise en forme du motif de plis plié à plat, et l'affinage du modèle généré à l'aide d'un apprentissage par renforcement piloté par une boucle d'évaluation esthétique autonome. Notre système agit comme un assistant collaboratif hautement efficace, générant des points de départ structurels que les artistes humains peuvent ensuite développer et mettre en forme. En intégrant l'optimisation algorithmique à une critique esthétique autonome, ce travail démontre comment les systèmes d'IA peuvent satisfaire des contraintes physiques multi-objectifs pour permettre une co-créativité fiable et mathématiquement fondée.

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.