AI幫60年代老技術解決面料數字化難題，王華民團隊新方法只需3分鐘數據采集復刻面料真實效果

楊凈 發自 凹非寺

量子位 | 公眾號 QbitAI

當人人談論元宇宙時，大家都在關心什么？空間是否熱鬧豐富，交互是否絲滑……

NoNoNo其實都不是，而是真實感與沉浸感。

△飽受批評的小扎自拍

作為最典型、也是最本質的標簽，如果沒有真實沉浸的體驗，那么元宇宙的價值與意義也就不能被大家所感知。

而這一點又不同于動畫電影的那種逼真感，往往只是看起來像就行。當下元宇宙的產業應用，工業、服裝、數字孿生等，就不只是要求看著像，而是要和現實世界的某個具體實物盡可能一樣。

△動圖來自SOOGIF

換言之，我們身處的現實世界，無疑成為了當下元宇宙應用最關鍵的參考系，這也對背后的圖形學技術提出了更高的要求。

于是乎，那些少有人關注的更多細節，也就成為了技術流派的攻堅代表。比如數字人的穿衣打扮，其材質、相互作用力等模擬都要比以往更加精細復雜。

按照傳統的建模方式，又很難完整地定量描述出來；人工智能的方式難以保證其精準度。因此在這幾年發展十分有限。

現在Style3D王華民團隊提出了一種全新思路，他們從源頭材質上入手，從AI所擅長的事情入手，提出了模擬參數AI預測模型，結果模擬出來的效果跟面料實物的真實懸垂或褶皺效果一樣。其研究成果即將發表在SIGGRAPH Asia 2022上。

而且在現實產業落地，還有更重要的應用價值。

他們將數據采集速度提升了5倍。對于數字化紡織物制造商而言，節省了一筆不少的時間成本。

來康康它究竟做了啥？

如何打造真實的數字人服裝

面料仿真，作為數字人服裝的核心技術， 因為其材質以及他們之間復雜的作用力（自碰撞），被業界公認為物理模擬仿真最難問題之一。

通常來說，一套“制衣”流程，從技術角度姑且可以分成建立模型、數值計算與求解、渲染顯示三個步驟。

其中最重要的部分就是建立模型，甚至直接決定后續環節的實現機制。而為了讓數字人服裝更真實，需要從構建模型的“原材料”，即數據，開始做起。

這里的“數據”，指代的是能反映真實面料信息的模擬參數。其中，彎曲剛度的測試就是其中不可忽略的影響因素。

彎曲變形，幾乎是所有織物變形的表現形式；織物的彎曲剛度對柔軟度、皺紋細節等方面的模擬影響很大。

但因為其非線性、各向異性以及多樣化的特性，過去幾十年來，科學家們都致力于對它進行可靠和有效的估計和保證模擬。懸臂法是當前最流行也最直觀的方法，即用一個懸臂來評估布條的彎曲程度。

但實際上，這種方式存在明顯的局限性。比如沒辦法處理卷邊的針織面料。

以及沒法處理復雜的物理模型，因為從根本上來說，它是將單個參數孤立出來測，但實際上參數之間是相互關聯的。

更為嚴重的問題，在于仿真誤差。

現有基于懸臂的參數估計方法都是將彎曲剛度作為現實布料的固有屬性來測量。但本身模擬器就自帶誤差，即便測量再完美，模擬與現實依舊是相差甚遠。

要解決這個問題，思路也很簡單，就是將其當做一個simulation-in-the-loop優化問題。

具體來說，就是將參數當做未知數，把模擬與現實之間的差異作為目標來求解。這樣一來，既能處理復雜模型的多個參數，也能直接將模擬誤差給解決了。

早在2011年，王華民團隊曾考慮過用數值方法來解決。

（引入校正角，結合優化算法尋找最佳彎曲剛度參數。）

之后陸陸續續有學者，在使用類似的方式。不過由于參數與形狀之間的復雜關系，導致計算量龐大，整個過程困難且耗時，進展也就有所滯緩。

而又在最近幾年，AI成為另一種探索方式。通過視頻、圖像的學習，讓AI學會預測面料模擬屬性。

不過因為是在一個自由開放的環境，導致數據收集與訓練困難，以及準確性不是很高的問題。

用AI預測面料模擬參數

基于這樣的背景，王華民團隊帶來了全新的思路：

在一個可控的環境下，利用AI與海量數據相結合，實現快速的模擬參數預測。（具體指代的是，面料的彎曲剛度）

首先構建一個可控的環境，即60年代提出的Cusick懸垂測試法，將布料標本懸垂在一個圓柱形平臺上。

之所以可控，是因為相較于更流行的懸臂法而言，它更省時，可以處理更復雜的面料，不容易受塑性影響，可以更直觀自然地顯示布料的褶皺。

這些特質對模擬環境至關重要，比如數字人服裝。

但以往的認知中，懸垂法主要是用來提供彎曲剛度的各種評估指標；而不是用來進行準確的參數測量。

研究人員開發了一個深度學習系統來解決這個問題：

先用懸垂法評估現實織物的懸垂性，在用特定模擬器找到最佳彎曲參數，以展現與現實高度一致的彎曲行為。

具體而言，使用懸垂測試儀的多視角深度圖像，來捕捉面料樣本的懸垂形狀，將其作為DNN的特征向量進行推斷，最終得到彎曲剛度參數。

（深度相機以240×180的分辨率捕捉四幅深度圖像，形成一個特征向量，來描述織物彎曲特性。）

關鍵問題在于，如何訓練中這樣一個DNN。考慮到現實生活中建立一個大型數據集過于耗時，且沒有考慮到采集和模擬過程中的誤差，研究人員開發了個多達6個參數的非線性各向異性彎度剛度模型。

但由于整個參數形成的全空間太大，無法直接采樣。因此，研究人員使用懸臂測試儀大致測量的參數訓練構建出一個參數子空間——基于變異VAE模型打造的。

這個子空間一方面為布料模擬器提供參數，另一方面，與模擬器一同為訓練網絡提供樣本數據，最終訓練出一個基于回歸的預測模型ResNet-18。

最終在一個有96個英特爾CPU內核和4個英偉達RTX 3090的工作站上運行12.7小時得以訓練完成。

采集速度增長了5倍

接著，研究人員從成本、模擬保真度、可靠性以及適用性四個維度評價該系統的性能。

成本方面，包含時間成本和財務成本。根據實驗，一個沒有經驗的用戶完成一塊織物的整個參數估計過程，只需要不到3分鐘。而相較于傳統懸臂法的15分鐘，采集速度增長了5倍。

另外，懸垂試驗器價格低廉，除了Azure Kinect深度攝像頭外，該設備的其余部分成本低于30美元，而且很容易組裝。

而不像懸臂測試儀，所使用的部件都是定制的，在不包含單反相機的情況下至少需要500美元。

在保真度上，他們的系統總體上優于懸臂測試儀和基于視頻的方法。

以俯視圖這一視角，可以看到相較于懸垂法，本系統更契合重建系統。

研究人員還邀請了一波用戶，來判斷模擬效果，結果發現相較于懸臂測試儀，自身系統模擬出的效果更貼合真實面料懸垂效果。

在可靠性實驗上，研究人員發現，即便織物樣本的懸垂形狀、初始方向不同，也能做出可靠的參數估計。

除此之外，這個系統還有很好的適應性，只要基礎彎曲模型及其參數相同，不同的模擬器可以產生幾乎相同的懸垂結果。

其估計的參數也適用于懸掛情況。

研究人員表示，接下來他們計劃用在下一代面料測量設備，并拓展到更復雜的物理模型。

面料數字化

評價物理仿真引擎好壞的標準，無疑兩方面：性能與保真度。

相信很多人都感知到，不管是布料還是各類形變體、流體模擬，過去在性能上的突破總是進展頻頻，但在保真度上發展卻十分有限。幾十年發展至今，人們對CG效果的認知才逐漸從逼真走到真實這個程度。

原因無它，技術難度太高。

以往相關的探索大致可以分為兩種思路，一是傳統的構建物理模型，且不論材質精度能否實現，就是各種內外部的相互作用，都很難完整地定量描述出來。

另一種則是AI，在一個開放閾里學習布料仿真，其精度和準確性都不能保證。

不過這兩種思路只是粗略拆分，現在也越來越多研究是將兩者結合，但如前文所述，發展十分有限。

而王華民團隊則采用了一種全新的思路，從源頭入手，從AI擅長的事情入手。

當然還有更為現實的產業問題得到解決。

對于數字化紡織物制造商來說，以往靠懸臂法來測試，即便是有經驗的用戶，一塊布條的測試至少需要15分鐘，這其中包括準備樣本和實際測試的時間。

對于庫存動輒上千種面料要進行數字化的制造商來說，這種人力、時間、物料等各項成本是無法承受的。

而現在王華民團隊的新模型，直接將采集速度提升了5倍，并且很快就會部署到他們數字化服務平臺，真正實現產業落地。

事實上，這種基于技術創新實現降本增效的事情，在整個面料數字化進程中并不少見，而王華民團隊所在的凌迪Style3D正是其中進程的代表和參與者，不管是從資本認可、還是在行業落地等維度上都可見一斑。

今年6月，?凌迪Style3D宣布完成近1億美元Pre-B+輪融資，由高瓴創投、鼎暉等多家機構連續投資。凌迪Style3D發展多年都持續一年一次的融資節奏，在當前資本寒冬期實屬佼佼者。

目前在服裝行業已經深耕7年，幫助企業在研發、協同、展銷、生產全鏈路數字化，遍布海內外板塊，與各細分領域的國際頭部企業均達成了相關合作，如Nvidia、Alvanon、YKK、Pantone、Jeanologia等。

而現在隨著元宇宙的興起，凌迪Style3D本身作為基礎設施的提供者，既有底層技術和算法優勢，又有成熟落地時尚領域的多種軟件工具等，且其業務可以外延至更多領域。

比如數字人、動漫、家居、游戲。據稱，這些已經在凌迪Style3D的考慮范圍中，甚至已經落地。百度世界大會亮相的希加加，正是凌迪Style3D提供的服裝模擬技術支持。

也再一次印證，唯有技術創新，才能創造產業價值，也能更適應時代洪流。