AI幫60年代老技術(shù)解決面料數(shù)字化難題，王華民團隊新方法只需3分鐘數(shù)據(jù)采集復(fù)刻面料真實效果

楊凈 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

當人人談?wù)撛钪鏁r，大家都在關(guān)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(zhì)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(chǎn)業(yè)應(yīng)用，工業(yè)、服裝、數(shù)字孿生等，就不只是要求看著像，而是要和現(xiàn)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(xiàn)實世界，無疑成為了當下元宇宙應(yīng)用最關(guān)鍵的參考系，這也對背后的圖形學技術(shù)提出了更高的要求。

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

按照傳統(tǒng)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(fā)展十分有限。

現(xiàn)在Style3D王華民團隊提出了一種全新思路，他們從源頭材質(zhì)上入手，從AI所擅長的事情入手，提出了模擬參數(shù)AI預(yù)測模型，結(jié)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(fā)表在SIGGRAPH Asia 2022上。

而且在現(xiàn)實產(chǎn)業(yè)落地，還有更重要的應(yīng)用價值。

他們將數(shù)據(jù)采集速度提升了5倍。對于數(shù)字化紡織物制造商而言，節(jié)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(shù)字人服裝

面料仿真，作為數(shù)字人服裝的核心技術(shù)， 因為其材質(zhì)以及他們之間復(fù)雜的作用力（自碰撞），被業(yè)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(shù)角度姑且可以分成建立模型、數(shù)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(xù)環(huán)節(jié)的實現(xiàn)機制。而為了讓數(shù)字人服裝更真實，需要從構(gòu)建模型的“原材料”，即數(shù)據(jù)，開始做起。

這里的“數(shù)據(jù)”，指代的是能反映真實面料信息的模擬參數(shù)。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(xiàn)形式；織物的彎曲剛度對柔軟度、皺紋細節(jié)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(fù)雜的物理模型，因為從根本上來說，它是將單個參數(shù)孤立出來測，但實際上參數(shù)之間是相互關(guān)聯(lián)的。

更為嚴重的問題，在于仿真誤差。

現(xiàn)有基于懸臂的參數(shù)估計方法都是將彎曲剛度作為現(xiàn)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(xiàn)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(yōu)化問題。

具體來說，就是將參數(shù)當做未知數(shù)，把模擬與現(xiàn)實之間的差異作為目標來求解。這樣一來，既能處理復(fù)雜模型的多個參數(shù)，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(shù)值方法來解決。

（引入校正角，結(jié)合優(yōu)化算法尋找最佳彎曲剛度參數(shù)。）

之后陸陸續(xù)續(xù)有學者，在使用類似的方式。不過由于參數(shù)與形狀之間的復(fù)雜關(guān)系，導(dǎo)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(yù)測面料模擬屬性。

不過因為是在一個自由開放的環(huán)境，導(dǎo)致數(shù)據(jù)收集與訓練困難，以及準確性不是很高的問題。

用AI預(yù)測面料模擬參數(shù)

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(huán)境下，利用AI與海量數(shù)據(jù)相結(jié)合，實現(xiàn)快速的模擬參數(shù)預(yù)測。（具體指代的是，面料的彎曲剛度）

首先構(gòu)建一個可控的環(huán)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(fù)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(zhì)對模擬環(huán)境至關(guān)重要，比如數(shù)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(shù)測量。

研究人員開發(fā)了一個深度學習系統(tǒng)來解決這個問題：

先用懸垂法評估現(xiàn)實織物的懸垂性，在用特定模擬器找到最佳彎曲參數(shù)，以展現(xiàn)與現(xiàn)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(shù)。

（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(guān)鍵問題在于，如何訓練中這樣一個DNN?？紤]到現(xiàn)實生活中建立一個大型數(shù)據(jù)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(fā)了個多達6個參數(shù)的非線性各向異性彎度剛度模型。

但由于整個參數(shù)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(shù)訓練構(gòu)建出一個參數(shù)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(shù)，另一方面，與模擬器一同為訓練網(wǎng)絡(luò)提供樣本數(shù)據(jù)，最終訓練出一個基于回歸的預(yù)測模型ResNet-18。

最終在一個有96個英特爾CPU內(nèi)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(tǒng)的性能。

成本方面，包含時間成本和財務(wù)成本。根據(jù)實驗，一個沒有經(jīng)驗的用戶完成一塊織物的整個參數(shù)估計過程，只需要不到3分鐘。而相較于傳統(tǒng)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(shè)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(tǒng)總體上優(yōu)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(tǒng)更契合重建系統(tǒng)。

研究人員還邀請了一波用戶，來判斷模擬效果，結(jié)果發(fā)現(xiàn)相較于懸臂測試儀，自身系統(tǒng)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(fā)現(xiàn)，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(shù)估計。

除此之外，這個系統(tǒng)還有很好的適應(yīng)性，只要基礎(chǔ)彎曲模型及其參數(shù)相同，不同的模擬器可以產(chǎn)生幾乎相同的懸垂結(jié)果。

其估計的參數(shù)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(shè)備，并拓展到更復(fù)雜的物理模型。

面料數(shù)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(fā)展卻十分有限。幾十年發(fā)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(shù)難度太高。

以往相關(guān)的探索大致可以分為兩種思路，一是傳統(tǒng)的構(gòu)建物理模型，且不論材質(zhì)精度能否實現(xiàn)，就是各種內(nèi)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(xiàn)在也越來越多研究是將兩者結(jié)合，但如前文所述，發(fā)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(xiàn)實的產(chǎn)業(yè)問題得到解決。

對于數(shù)字化紡織物制造商來說，以往靠懸臂法來測試，即便是有經(jīng)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(shù)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(xiàn)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(shù)字化服務(wù)平臺，真正實現(xiàn)產(chǎn)業(yè)落地。

事實上，這種基于技術(shù)創(chuàng)新實現(xiàn)降本增效的事情，在整個面料數(shù)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(yè)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(chuàng)投、鼎暉等多家機構(gòu)連續(xù)投資。凌迪Style3D發(fā)展多年都持續(xù)一年一次的融資節(jié)奏，在當前資本寒冬期實屬佼佼者。

目前在服裝行業(yè)已經(jīng)深耕7年，幫助企業(yè)在研發(fā)、協(xié)同、展銷、生產(chǎn)全鏈路數(shù)字化，遍布海內(nèi)外板塊，與各細分領(lǐng)域的國際頭部企業(yè)均達成了相關(guān)合作，如Nvidia、Alvanon、YKK、Pantone、Jeanologia等。

而現(xiàn)在隨著元宇宙的興起，凌迪Style3D本身作為基礎(chǔ)設(shè)施的提供者，既有底層技術(shù)和算法優(yōu)勢，又有成熟落地時尚領(lǐng)域的多種軟件工具等，且其業(yè)務(wù)可以外延至更多領(lǐng)域。

比如數(shù)字人、動漫、家居、游戲。據(jù)稱，這些已經(jīng)在凌迪Style3D的考慮范圍中，甚至已經(jīng)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(shù)支持。

也再一次印證，唯有技術(shù)創(chuàng)新，才能創(chuàng)造產(chǎn)業(yè)價值，也能更適應(yīng)時代洪流。