StrandDesigner : Vers une génération pratique de mèches avec guidage par esquisse

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

La génération réaliste de mèches de cheveux est cruciale pour des applications telles que l’infographie et la réalité virtuelle. Bien que les modèles de diffusion puissent générer des coiffures à partir de texte ou d’images, ces entrées manquent de précision et de convivialité. Nous proposons plutôt le premier modèle de génération de mèches basé sur des croquis, offrant un contrôle plus fin tout en restant facile à utiliser. Notre cadre aborde des défis clés, tels que la modélisation des interactions complexes entre les mèches et des motifs de croquis variés, grâce à deux innovations principales : une stratégie d’upsampling apprenable qui encode les mèches 3D dans des espaces latents multi-échelles, et un mécanisme de conditionnement adaptatif multi-échelles utilisant un transformateur avec des têtes de diffusion pour assurer la cohérence entre les niveaux de granularité. Les expériences sur plusieurs ensembles de données de référence montrent que notre méthode surpasse les approches existantes en termes de réalisme et de précision. Les résultats qualitatifs confirment en outre son efficacité. Le code sera publié sur [GitHub](https://github.com/fighting-Zhang/StrandDesigner).

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).