NoNoNo其实不是，而是一种真实感和沉浸感。
是最典型、最本质的标签。 如果没有真正的沉浸式体验，那么元宇宙的价值和意义就不可能被所有人感知。
这与动画电影的真实感不同，后者通常看起来很像。 虚拟世界、工业、服装、数字孪生等当前的工业应用，不仅要求看起来像，而且要尽可能地与现实世界中的特定对象相似。
换言之，我们所处的现实世界无疑成为了当前元界应用最关键的参考系， 也很重要，对于幕后的图形技术提出了更高的要求。
于是，那些很少有人关注的更多细节成了技校的代表。 比如数字人的服装，对材料和相互作用力的模拟比以前更加精细复杂。
按照传统的建模方法，难以完全定量描述； 人工智能方法难以保证其准确性。 因此，近年来的发展非常有限。
现在Style3D王华敏团队想出了一个新点子。 他们从源材料和AI擅长的领域入手，提出了一个模拟参数的AI预测模型。 模拟效果与真实面料相同。 同样的悬垂或褶皱效果。 其研究成果将在SIGGRAPH Asia 2022上发表。
在实际行业中具有更重要的应用价值。
他们将数据收集速度提高了 5 倍。对于数字纺织品制造商来说，这节省了大量的时间和成本。
来康康，做了什么？
如何制作逼真的数字人体服装
面料仿真作为数字人体服装的核心技术，因其材质以及它们之间的复杂作用力（自碰撞）而被业界公认为物理仿真中最难解决的问题之一。
一般来说，一套“服装”流程从技术角度可以分为三个步骤：模型构建、数值计算与求解、渲染与展示。
最重要的部分是建立模型，甚至直接确定后续环节的实现机制。 为了让数字人的服装更加逼真，需要从构建模型的“原材料”，即数据入手。
这里的“数据”是指能够反映真实面料信息的仿真参数。 其中，抗弯刚度的测试是不可忽视的影响因素之一。
弯曲变形，这是几乎所有织物变形的表现； 织物的弯曲刚度对柔软度、皱纹细节等的模拟有很大的影响。
但由于其非线性、各向异性和多样化的特性，科学家们在过去的几十年里一直致力于可靠和有效的估计 并保证模拟。 悬臂法是目前最流行、最直观的方法，即用一个悬臂来评价布条的弯曲程度。
但在实践中，这种方法有明显的局限性。 例如，有卷边的针织面料是没有办法处理的。
并且无法处理复杂的物理模型，因为它从根本上隔离了单个参数，但实际上这些参数是相互关联的。
更严重的问题是模拟错误。
现有的基于悬臂梁的参数估计方法都将弯曲刚度测量为现实世界布料的固有属性。 但是，模拟器本身也有错误。 即使测量是完美的，模拟仍然与现实相去甚远。
解决这个问题，思路也很简单，就是把它当作一个仿真在环优化问题。
具体就是把参数当作未知数，以解决仿真与现实的差异为目标。 这样就可以处理复杂模型的多个参数，直接解决仿真误差。
早在2011年，王华敏团队就考虑过用数值方法求解。
之后，学者们继续使用类似的方法。 但由于参数与形状关系复杂，计算量巨大，整个过程难度大、耗时长，进度缓慢。
而近年来，人工智能已经成为另一种探索方式。 通过对视频和图像的学习，人工智能可以学习预测织物的模拟特性。
但是因为是在自由开放的环境中，数据采集和训练比较困难，准确率也不是很高。
利用AI预测面料模拟参数
基于这一背景，王华敏团队带来了一个新思路：
在可控环境下，利用AI与海量数据相结合 以实现快速模拟参数预测。 （具体为织物的抗弯刚度）
在可控环境下，结合AI与海量数据，实现快速仿真参数预测。 （特指织物的抗弯刚度）
首先构建一个受控环境，即 1960 年代提出的 Cusick 悬垂性试验，将织物试样悬挂在圆柱形平台上。
是可控的，因为它比更流行的悬臂方法耗时更少，可以处理更复杂的织物，不易受塑性影响，可以更直观自然地展示褶皱 的织物。
这些品质对于模拟环境至关重要，例如数字人体服装。
但过去主要采用悬垂法提供抗弯刚度的各种评价指标； 它不用于精确的参数测量。
研究人员开发了一个深度学习系统来解决这个问题：
首先使用悬垂性的方法来评估真实织物的悬垂性，然后使用特定的模拟器找到最佳的弯曲参数来展示 实际高度一致的弯曲行为。
首先采用悬垂法评估真实织物的悬垂性，然后用特定的模拟器找到最佳的弯曲参数，以展示与现实高度一致的弯曲行为。
具体是利用悬垂性测试仪的多视角深度图捕捉织物样本的悬垂形状，推断为DNN的特征向量，最后得到 获得弯曲刚度参数。
（深度相机以240×180的分辨率捕获四张深度图像，形成一个特征向量来描述织物弯曲性能。 )
关键问题是如何训练这样的 DNN。 考虑到在现实生活中构建大型数据集过于耗时且不考虑采集和仿真过程中的错误，研究人员开发了一个最多具有 6 个参数的非线性各向异性弯曲刚度模型。
但是因为整个参数形成的总空间太大，无法直接采样。 因此，研究人员利用悬臂测试仪粗略测量的参数进行训练，构建参数子空间——基于变体VAE模型。
这个子空间一方面为布料模拟器提供参数，同时与模拟器一起为训练网络提供样本数据，最后训练出基于回归的预测模型ResNet-18。
训练终于在 96 个 Intel CPU 核心和 4 个 Nvidia RTX 3090 的工作站上在 12.7 小时内完成。
采集速度提高了 5 倍
接下来， 研究人员从四个维度评估了系统的性能：成本、模拟保真度、可靠性和适用性。
成本，包括时间成本和财务成本。 根据实验，没有经验的用户可以在不到 3 分钟的时间内完成一块织物的整个参数估计过程。 与传统悬臂法的15分钟相比，采集速度提高了5倍。
另外，悬垂测试仪价格低廉，除了 Azure Kinect 深度摄像头，其余设备的成本不到 30 美元，而且易于组装。
与悬臂测试仪不同，使用的部件都是定制的，不包括 DSLR 至少要 500 美元。
在保真度方面，他们的系统通常优于悬臂测试仪和基于视频的方法。
从顶视图可以看出，这个系统比悬垂法更适合重建系统。
研究人员还请了一波用户对仿真效果进行评判，发现与悬臂测试仪相比，自家系统的仿真效果更符合真实面料 悬垂效果。
在可靠性实验中，研究人员发现即使织物样本具有不同的悬垂形状和初始方向，也可以做出可靠的参数估计。
另外，该系统的适应性也很强，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效果。
其估计参数也适用于吊箱。 接下来，
研究人员表示，他们计划将其用于下一代织物测量设备并扩展到更复杂的物理模型。
面料数字化
评价物理仿真引擎好坏的标准无疑是两个方面：性能和保真度。
相信很多人都觉得，无论是布料、各种变形，还是流体模拟，过去一直在性能上有所突破，但保真度的发展非常有限。 经过几十年的发展，人们对CG效果的认知逐渐从写实到现实这个层次。
没有原因，技术难度太高了。
前面的相关探索大致可以分为两种思路。 一是物理模型的传统构建，无论能否达到材料精度，都难以定量描述各种内外相互作用。 出来。
另一个是AI，在一个开放的阈值下学习布料模拟，其准确性和准确性无法保证。
不过这两种思路只是粗略的分裂，现在越来越多的研究将两者结合起来，但如前所述，发展非常有限。
王华敏团队采用了全新的思维方式，从源头做起，从AI擅长的地方做起。
当然，还有更现实的工业问题需要解决。
对于数码纺织品制造商来说，用于测试的悬臂法，即使对于有经验的用户，一条布条的测试至少需要15分钟，包括准备样品和实际测试的时间。
对于上千面料库存需要数字化的厂家来说，人力、时间、材料等成本是难以承受的。
现在，王华敏团队的新模式直接将采集速度提升了5倍，即将部署到他们的数字化服务平台，真正实现产业落地。
事实上，在面料数字化全过程中，基于技术创新实现降本增效的情况并不少见，而王华敏团队所在的菱地Style3D正是此次会议的代表和参与者。 过程。 无论是来自资本认可还是行业落地它在各个方面都很明显。
今年6月，灵迪Style3D宣布完成近亿美元Pre-B+轮融资，获得高瓴创投、鼎晖投资等多家机构持续投资。 灵帝Style3D的发展多年来一直以年度融资节奏延续，在当前资本寒冬中处于领先地位。
目前深耕服装行业7年，帮助企业将研发、协作、展销、生产全链条数字化。 企业已达成相关合作，如Nvidia、Alvanon、YKK、Pantone、Jeanologia等。
现在，随着元界的兴起，灵迪Style3D本身作为基础设施提供商，既有底层技术和算法的优势，也有多种已经成熟进入时尚领域的软件工具，其 业务可以扩展到更多领域。
如数字人、动漫、家居、游戏。 据称，这些已经被灵帝Style3D考虑过，甚至已经落地。 亮相百度世界大会的喜家家，是灵迪Style3D提供的服装模拟技术支持。
也再次印证了只有技术创新才能创造产业价值，更能适应时代洪流。
