StrandDesigner: Op Weg naar Praktische Haargeneratie met Schetsbegeleiding

StrandDesigner: Towards Practical Strand Generation with Sketch Guidance

August 3, 2025

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

cs.AI

Samenvatting

Realistische haarstrenggeneratie is cruciaal voor toepassingen zoals computergraphics en virtual reality. Hoewel diffusiemodellen kapsels kunnen genereren op basis van tekst of afbeeldingen, ontbreekt het deze invoer aan precisie en gebruiksvriendelijkheid. In plaats daarvan stellen we het eerste schetsgebaseerde strenggeneratiemodel voor, dat fijnere controle biedt terwijl het gebruiksvriendelijk blijft. Ons framework adresseert belangrijke uitdagingen, zoals het modelleren van complexe strenginteracties en diverse schetspatronen, door middel van twee belangrijke innovaties: een leerbare streng-upsamplingstrategie die 3D-strengen codeert in multi-schaal latente ruimtes, en een multi-schaal adaptief conditioneringsmechanisme dat gebruikmaakt van een transformer met diffusiekoppen om consistentie over verschillende granulariteitsniveaus te waarborgen. Experimenten op verschillende benchmarkdatasets tonen aan dat onze methode bestaande benaderingen overtreft in realisme en precisie. Kwalitatieve resultaten bevestigen verder de effectiviteit ervan. De code zal worden vrijgegeven op [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).