AI帮60年代老技术解决面料数字化难题，王华民团队新方法只需3分钟数据采集复刻面料真实效果(2)

基于这样的背景，王华民团队带来了全新的思路：

在一个可控的环境下，利用AI与海量数据相结合，实现快速的模拟参数预测。 （具体指代的是，面料的弯曲刚度） 首先构建一个 可控的环境 ，即60年代提出的Cusick悬垂测试法，将布料标本悬垂在一个圆柱形平台上。 之所以可控，是因为相较于更流行的悬臂法而言，它更省时，可以处理更复杂的面料，不容易受塑性影响，可以更直观自然地显示布料的褶皱。 这些特质对模拟环境至关重要，比如数字人服装。 但以往的认知中，悬垂法主要是用来提供弯曲刚度的各种评估指标；而不是用来进行准确的参数测量。 研究人员开发了一个 深度学习系统 来解决这个问题：

先用悬垂法评估现实织物的悬垂性，在用特定模拟器找到最佳弯曲参数，以展现与现实高度一致的弯曲行为。 具体而言，使用悬垂测试仪的多视角深度图像，来捕捉面料样本的悬垂形状，将其作为DNN的特征向量进行推断，最终得到弯曲刚度参数。 （深度相机以240×180的分辨率捕捉四幅深度图像，形成一个特征向量，来描述织物弯曲特性。） 关键问题在于，如何训练中这样一个DNN。考虑到现实生活中建立一个大型数据集过于耗时，且没有考虑到采集和模拟过程中的误差，研究人员开发了个多达6个参数的非线性各向异性弯度刚度模型。 但由于整个参数形成的全空间太大，无法直接采样。因此，研究人员使用悬臂测试仪大致测量的参数训练构建出一个参数子空间——基于变异VAE模型打造的。 这个子空间一方面为布料模拟器提供参数，另一方面，与模拟器一同为训练网络提供样本数据，最终训练出一个基于回归的预测模型ResNet-18。 最终在一个有96个英特尔CPU内核和4个英伟达RTX 3090的工作站上运行12.7小时得以训练完成。

接着，研究人员从成本、模拟保真度、可靠性以及适用性四个维度评价该系统的性能。 成本 方面，包含时间成本和财务成本。根据实验，一个没有经验的用户完成一块织物的整个参数估计过程，只需要不到3分钟。而相较于传统悬臂法的15分钟，采集速度增长了5倍。 另外，悬垂试验器价格低廉，除了Azure Kinect深度摄像头外，该设备的其余部分成本低于30美元，而且很容易组装。 而不像悬臂测试仪，所使用的部件都是定制的，在不包含单反相机的情况下至少需要500美元。 在保真度上，他们的系统总体上优于悬臂测试仪和基于视频的方法。 以俯视图这一视角，可以看到相较于悬垂法，本系统更契合重建系统。 研究人员还邀请了一波用户，来判断模拟效果，结果发现相较于悬臂测试仪，自身系统模拟出的效果更贴合真实面料悬垂效果。 在 可靠性实验 上，研究人员发现，即便织物样本的悬垂形状、初始方向不同，也能做出可靠的参数估计。 除此之外，这个系统还有很好的适应性，只要基础弯曲模型及其参数相同，不同的模拟器可以产生几乎相同的悬垂结果。 其估计的参数也适用于悬挂情况。 研究人员表示，接下来他们计划用在下一代面料测量设备，并拓展到更复杂的物理模型。