NoNoNo实在都不是，而是真实感与沉浸感。
△饱受批评的小扎自拍
作为最范例、也是最实质的标签，如果没有真实沉浸的体验，那么元宇宙的代价与意义也就不能被大家所感知。
而这一点又不同于动画电影的那种逼真感，每每只是看起来像就行。当下元宇宙的家当运用，工业、服装、数字孪生等，就不但是哀求看着像，而是要和现实天下的某个详细实物尽可能一样。
△动图来自SOOGIF
换言之，我们身处的现实天下，无疑成为了当下元宇宙运用最关键的参考系，这也对背后的图形学技能提出了更高的哀求。
于是乎，那些少有人关注的更多细节，也就成为了技能流派的攻坚代表。比如数字人的穿衣打扮，其材质、相互浸染力等仿照都要比以往更加风雅繁芜。
按照传统的建模办法，又很难完全地定量描述出来；人工智能的办法难以担保其精准度。因此在这几年景长十分有限。
现在Style3D王华民团队提出了一种全新思路，他们从源头材质上入手，从AI所善于的事情入手，提出了仿照参数AI预测模型，结果仿照出来的效果跟面料实物的真实悬垂或褶皱效果一样。其研究成果即将揭橥在SIGGRAPH Asia 2022上。
而且在现实家当落地，还有更主要的运用代价。
他们将数据采集速率提升了5倍。对付数字化纺织物制造商而言，节省了一笔不少的韶光本钱。
来康康它究竟做了啥？
如何打造真实的数字人服装面料仿真，作为数字人服装的核心技能， 由于其材质以及他们之间繁芜的浸染力（自碰撞），被业界公认为物理仿照仿真最难问题之一。
常日来说，一套“制衣”流程，从技能角度姑且可以分成建立模型、数值打算与求解、渲染显示三个步骤。
个中最主要的部分便是建立模型，乃至直接决定后续环节的实现机制。而为了让数字人服装更真实，须要从构建模型的“原材料”，即数据，开始做起。
这里的“数据”，指代的是能反响真实面料信息的仿照参数。个中，波折刚度的测试便是个中不可忽略的影响成分。
波折变形，险些是所有织物变形的表现形式；织物的波折刚度对优柔度、皱纹细节等方面的仿照影响很大。
但由于其非线性、各向异性以及多样化的特性，过去几十年来，科学家们都致力于对它进行可靠和有效的估计和担保仿照。悬臂法是当前最盛行也最直不雅观的方法，即用一个悬臂来评估布条的波折程度。
但实际上，这种办法存在明显的局限性。比如没办法处理卷边的针织面料。
以及没法处理繁芜的物理模型，由于从根本上来说，它是将单个参数伶仃出来测，但实际上参数之间是相互关联的。
更为严重的问题，在于仿真偏差。
现有基于悬臂的参数估计方法都是将波折刚度作为现实布料的固有属性来丈量。但本身仿照器就自带偏差，即便丈量再完美，仿照与现实依旧是相差甚远。
要办理这个问题，思路也很大略，便是将其当做一个simulation-in-the-loop优化问题。
详细来说，便是将参数当做未知数，把仿照与现实之间的差异作为目标来求解。这样一来，既能处理繁芜模型的多个参数，也能直接将仿照偏差给办理了。
早在2011年，王华民团队曾考虑过用数值方法来办理。
（引入校正角，结合优化算法探求最佳波折刚度参数。）
之后陆陆续续有学者，在利用类似的办法。不过由于参数与形状之间的繁芜关系，导致打算量弘大，全体过程困难且耗时，进展也就有所滞缓。
而又在最近几年，AI成为另一种探索办法。通过视频、图像的学习，让AI学会预测面料仿照属性。
不过由于是在一个自由开放的环境，导致数据网络与演习困难，以及准确性不是很高的问题。
用AI预测面料仿照参数基于这样的背景，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，实现快速的仿照参数预测。（详细指代的是，面料的波折刚度）
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。
之以是可控，是由于相较于更盛行的悬臂法而言，它更省时，可以处理更繁芜的面料，不随意马虎受塑性影响，可以更直不雅观自然地显示布料的褶皱。
这些特质对仿照环境至关主要，比如数字人服装。
但以往的认知中，悬垂法紧张是用来供应波折刚度的各种评估指标；而不是用来进行准确的参数丈量。
研究职员开拓了一个深度学习系统来办理这个问题：
先用悬垂法评估现实织物的悬垂性，在用特定仿照器找到最佳波折参数，以展现与现实高度同等的波折行为。
详细而言，利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的特色向量进行推断，终极得到波折刚度参数。
（深度相机以240×180的分辨率捕捉四幅深度图像，形成一个特色向量，来描述织物波折特性。）
关键问题在于，如何演习中这样一个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仿照过程中的偏差，研究职员开拓了个多达6个参数的非线性各向异性弯度刚度模型。
但由于全体参数形成的全空间太大，无法直接采样。因此，研究职员利用悬臂测试仪大致丈量的参数演习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仿照器供应参数，另一方面，与仿照器一同为演习网络供应样本数据，终极演习出一个基于回归的预测模型ResNet-18。
终极在一个有96个英特尔CPU内核和4个英伟达RTX 3090的事情站上运行12.7小时得以演习完成。
采集速率增长了5倍接着，研究职员从本钱、仿照保真度、可靠性以及适用性四个维度评价该系统的性能。
本钱方面，包含韶光本钱和财务本钱。根据实验，一个没有履历的用户完成一块织物的全体参数估计过程，只须要不到3分钟。而相较于传统悬臂法的15分钟，采集速率增长了5倍。
其余，悬垂试验器价格低廉，除了Azure Kinect深度摄像头外，该设备的别的部分本钱低于30美元，而且很随意马虎组装。
而不像悬臂测试仪，所利用的部件都是定制的，在不包含单反相机的情形下至少须要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，本系统更契合重修系统。
研究职员还约请了一波用户，来判断仿照效果，结果创造相较于悬臂测试仪，自身材系仿照出的效果更贴合真实面料悬垂效果。
在可靠性实验上，研究职员创造，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，这个别系还有很好的适应性，只要根本波折模型及其参数相同，不同的仿照器可以产生险些相同的悬垂结果。
其估计的参数也适用于悬挂情形。
研究职员表示，接下来他们操持用不才一代面料丈量设备，并拓展到更繁芜的物理模型。
面料数字化评价物理仿真引擎好坏的标准，无疑两方面：性能与保真度。
相信很多人都感知到，不管是布料还是各种形变体、流体仿照，过去在性能上的打破总是进展频频，但在保真度上发展却十分有限。几十年景长至今，人们对CG效果的认知才逐渐从逼真走到真实这个程度。
缘故原由无它，技能难度太高。
以往干系的探索大致可以分为两种思路，一是传统的构建物理模型，且不论材质精度能否实现，便是各种内外部的相互浸染，都很难完全地定量描述出来。
另一种则是AI，在一个开放阈里学习布料仿真，其精度和准确性都不能担保。
不过这两种思路只是粗略拆分，现在也越来越多研究是将两者结合，但如前文所述，发展十分有限。
而王华民团队则采取了一种全新的思路，从源头入手，从AI善于的事情入手。
当然还有更为现实的家当问题得到办理。
对付数字化纺织物制造商来说，以往靠悬臂法来测试，即便是有履历的用户，一块布条的测试至少须要15分钟，这个中包括准备样本和实际测试的韶光。
对付库存动辄上千种面料要进行数字化的制造商来说，这种人力、韶光、物料等各项本钱是无法承受的。
而现在王华民团队的新模型，直接将采集速率提升了5倍，并且很快就会支配到他们数字化做事平台，真正实现家当落地。
事实上，这种基于技能创新实现降本增效的事情，在全体面料数字化进程中并不少见，而王华民团队所在的凌迪Style3D正是个中进程的代表和参与者，不管是从成本认可、还是在行业落地等维度上都可见一斑。
今年6月， 凌迪Style3D宣告完成近1亿美元Pre-B+轮融资，由高瓴创投、鼎晖等多家机构连续投资。凌迪Style3D发展多年都持续一年一次的融资节奏，在当前成本寒冬期实属佼佼者。
目前在服装行业已经深耕7年，帮助企业在研发、协同、展销、生产全链路数字化，遍布海内外板块，与各细分领域的国际头部企业均达成了干系互助，如Nvidia、Alvanon、YKK、Pantone、Jeanologia等。
而现在随着元宇宙的兴起，凌迪Style3D本身作为根本举动步伐的供应者，既有底层技能和算法上风，又有成熟落地时尚领域的多种软件工具等，且其业务可以外延至更多领域。
比如数字人、动漫、家居、游戏。据称，这些已经在凌迪Style3D的考虑范围中，乃至已经落地。百度天下大会亮相的希加加，正是凌迪Style3D供应的服装仿照技能支持。
也再一次印证，唯有技能创新，才能创造家当代价，也能更适应时期年夜水。
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态约