COrigami: een AI-pijplijn voor het co-ontwerpen van platvouwbare, visueel herkenbare origami

Samenvatting

Hoewel generatieve AI opmerkelijk succes heeft geboekt bij het oplossen van problemen met verifieerbare oplossingen, blijft het genereren van fysieke kunst die zowel voldoet aan strikte geometrische beperkingen als aan subjectieve visuele esthetiek een uitdaging. Dit artikel presenteert een aanpak om deze moeilijkheden aan te pakken in het domein van computationele origami, een wiskundig rigide omgeving die artistiek ontwerp verankert in de vergelijkingen van vlakke vouwbaarheid. We presenteren COrigami, een end-to-end AI-gestuurde pijplijn die de ontwerpcyclus ondersteunt door vouwpatronen te genereren vanuit natuurlijke taal. Onze pijplijn omvat het genereren van een semantische stokfiguur, het berekenen van een basisverpakking, het oplossen voor een vlak-vouwbaar vouwpatroon, het vormgeven van het vlak-gevouwen vouwpatroon, en het verfijnen van het gegenereerde model met behulp van bekrachtigingsleren, aangedreven door een autonome esthetische evaluatielus. Ons systeem fungeert als een uiterst effectieve samenwerkingsassistent, die structurele startpunten genereert die menselijke kunstenaars verder kunnen uitbreiden en vormgeven. Door algoritmische optimalisatie te integreren met autonome esthetische kritiek, toont dit werk aan hoe AI-systemen multi-objectieve fysieke beperkingen kunnen vervullen om betrouwbare, wiskundig gefundeerde co-creativiteit mogelijk te maken.

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.