当人人谈论元宇宙时，大家都在关心什么？空间是否热闹丰富，交互是否丝滑…… NoNoNo其实都不是，而是 真实感与沉浸感 。 △ 饱受批评的小扎自拍 作为最典型、也是最本质的标签，如果没有真实沉浸的体验，那么元宇宙的价值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，往往只是看起来像就行。当下元宇宙的产业应用，工业、服装、数字孪生等，就不只是要求看着像，而是要和现实世界的某个具体实物尽可能一样。 △ 动图来自SOOGIF 换言之，我们身处的 现实世界 ，无疑成为了当下元宇宙应用最关键的 参考系 ，这也对背后的图形学技术提出了更高的要求。 于是乎，那些少有人关注的更多细节，也就成为了技术流派的攻坚代表。比如数字人的穿衣打扮，其材质、相互作用力等模拟都要比以往更加精细复杂。 按照传统的建模方式，又很难完整地定量描述出来；人工智能的方式难以保证其精准度。因此在这几年发展十分有限。 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所擅长的事情入手，提出了 模拟参数AI预测模型 ，结果模拟出来的效果跟面料实物的真实悬垂或褶皱效果一样。其研究成果即将发表在SIGGRAPH Asia 2022上。 而且在现实产业落地，还有更重要的应用价值。 他们将数据采集速度提升了5倍。对于数字化纺织物制造商而言，节省了一笔不少的时间成本。 来康康它究竟做了啥？

面料仿真 ，作为数字人服装的核心技术， 因为其材质以及他们之间复杂的作用力 （自碰撞） ，被业界公认为物理模拟仿真最难问题之一。 通常来说，一套 “制衣”流程 ，从技术角度姑且可以分成建立模型、数值计算与求解、渲染显示三个步骤。 其中最重要的部分就是 建立模型 ，甚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，需要从构建模型的“原材料”，即数据，开始做起。 这里的 “数据” ，指代的是能反映真实面料信息的模拟参数。其中，弯曲刚度的测试就是其中不可忽略的影响因素。 弯曲变形，几乎是所有织物变形的表现形式；织物的弯曲刚度对柔软度、皱纹细节等方面的模拟影响很大。 但因为其非线性、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保证模拟。 悬臂法 是当前最流行也最直观的方法，即用一个悬臂来评估布条的弯曲程度。 但实际上，这种方式存在明显的局限性。比如没办法处理卷边的针织面料。 以及没法处理复杂的物理模型，因为从根本上来说，它是将单个参数孤立出来测，但实际上参数之间是相互关联的。 更为严重的问题，在于 仿真误差 。 现有基于悬臂的参数估计方法都是将弯曲刚度作为现实布料的固有属性来测量。但本身模拟器就自带误差，即便测量再完美，模拟与现实依旧是相差甚远。 要解决这个问题，思路也很简单，就是将其当做一个 simulation-in-the-loop优化 问题。 具体来说，就是将参数当做未知数，把模拟与现实之间的差异作为目标来求解。这样一来，既能处理复杂模型的多个参数，也能直接将模拟误差给解决了。 早在2011年，王华民团队曾考虑过用数值方法来解决。 （引入校正角，结合优化算法寻找最佳弯曲刚度参数。） 之后陆陆续续有学者，在使用类似的方式。不过由于参数与形状之间的复杂关系，导致计算量庞大，整个过程困难且耗时，进展也就有所滞缓。 而又在最近几年，AI成为另一种探索方式。通过视频、图像的学习，让AI学会预测面料模拟属性。 不过因为是在一个自由开放的环境，导致数据收集与训练困难，以及准确性不是很高的问题。