CN116615758A - 3d织物的披挂模拟方法及装置 - Google Patents

Abstract

根据一实施例，3D织物的披挂模拟方法可以包括以下步骤：接收多个物性参数；通过将多个物性参数应用于神经网络来生成网格，其中所述神经网络已学习所述多个物性参数与在对象上披挂3D织物的状态下的网格之间的相关关系；以及基于生成的网格来生成披挂在对象上的3D织物的披挂模拟结果。

Description

3D织物的披挂模拟方法及装置

技术领域

以下实施例涉及一种3D织物的披挂模拟方法及装置。

背景技术

尽管穿在身上服装(garment)展现为3D形式，但实际上，由于服装对应于根据2D纸样(pattern)裁剪的织物(fabric)块的组合，因此其更接近2D形式。作为服装材料的织物比较柔软，因此其形状可以根据穿戴者的身体形状或运动而变化。

可以执行3D服装模拟以找到用户期望的织物的最佳模拟物性参数。最佳的物性参数可以指用于输出尽可能类似于实际织物形状的披挂模拟结果的物性参数。然而，物性参数与披挂的3D织物的形状变化之间的关系可能在很大程度上为非线性，而不是直观的。因此，即使对于设计专家来说，找到织物的最佳物性参数也可能非常困难。

因此，为了获得尽可能类似于实际织物形状的披挂模拟结果，可能需要调整物性参数以找到最佳的物性参数的过程。而人们对为调整物性参数而优化的用户界面和用于准确输出对应于调整后的物性参数的披挂模拟结果的神经网络相关技术越来越感兴趣。

上述描述已经在构思本公开的过程中被发明人所拥有或获取，并且，不一定是在提出本申请之前公知的技术。

发明内容

解决问题的技术方法

根据一侧的3D织物(fabric)的披挂(draping)模拟方法包括以下步骤：接收多个物性(physical property)参数；通过将所述多个物性参数应用于神经网络来生成网格，其中所述神经网络已学习所述多个物性参数与所述3D织物披挂在对象上的状态下的网格之间的相关关系；以及基于所述生成的网格来生成披挂在所述对象上的3D织物的披挂模拟结果。

所述物性参数可以是通过第一区域输入的参数，其中所述第一区域为可接收所述多个物性参数的用户输入的用户界面(user interface)。

接收所述物性参数的步骤，可以包括以下步骤：从用户接收布料信息；以及基于所述布料信息来获得与所述布料信息匹配的所述多个物性参数。

所述布料信息可以包括布料的类型、布料的混合比以及布料的重量中的至少一个。

接收所述布料信息的步骤，可以包括以下步骤：从所述用户接收包括布料纹理的图像；以及基于所述布料纹理来获得所述布料信息。

所述3D织物的披挂模拟方法还可以包括以下步骤：在接收所述多个物性参数之前，基于所述物性参数之间的相关关系信息，设置对所述物性参数的用户输入的约束条件(constraint)。

所述相关关系信息可以为基于与所述织物相对应的物性参数的分布而确定的信息。

所述相关关系信息可以为将至少三个以上的物性参数之间的相关关系转换为两个参数之间的相关关系的信息。

所述物性参数可以包括拉伸力(stretch)参数、弯曲力(bending)参数及密度(denstiy)参数中的至少一个。

所述拉伸力参数可以包括纬纱方向拉伸力(weft stretch force)参数、经纱方向拉伸力(wrap stretch force)参数及剪切力(shear force)参数中的至少一个。

所述弯曲力参数可以包括纬纱方向弯曲力(weft banding-force)参数、经纱方向弯曲力(wrap banding-force)参数及对角线方向弯曲力(diagonal-banding force)参数中的至少一个。

生成所述网格的步骤，可以包括以下步骤：通过将所述多个物性参数应用于神经网络来生成在对象上披挂所述3D织物的状态下的轮廓线信息；以及基于所述轮廓线信息来生成所述网格。

所述轮廓线信息可以包括与在对象上披挂所述3D织物的状态下的织物的轮廓线相对应的3D坐标。

生成所述3D织物的披挂模拟结果的步骤，可以包括以下步骤：在织物的与所述对象的上表面相对应的部分上生成第一网格；沿着所述上表面的外廓线生成第二网格；以及在所述第二网格与轮廓线之间生成第三网格。

所述3D织物的披挂模拟方法还可以包括以下步骤：通过显示所述披挂模拟结果的第二区域来输出所述3D织物的披挂模拟结果。其中所述3D织物的披挂模拟结果可以包括与所述3D织物的物性相关的网格数据、与所述3D织物的纹理相关的法线映射数据及与所述3D织物的视觉属性相关的图形数据中的至少一个。

所述3D织物的披挂模拟结果还可以包括所述3D织物的厚度数据及所述3D织物的纹理数据中的至少一个，其形式可以与所述网格数据组合。

所述3D织物的披挂模拟方法还可以包括以下步骤：通过第三区域输出与所述披挂模拟结果相对应的图像数据，其中所述图像数据包括拍摄披挂在对象上的织物的图像数据。

所述3D织物的披挂模拟方法还可以包括以下步骤：在被配置为输入所述多个物性参数的滑动条上显示约束条件。

接收所述多个物性参数的步骤，可以包括以下步骤：通过网络接收通过用户终端输入的所述多个物性参数。其中所述披挂模拟结果可通过所述网络传输到所述用户终端。

根据一侧的用于3D织物的披挂模拟的模拟装置包括：用户界面；存储器；以及处理器。其中所述处理器被配置为：接收多个物性参数，通过将所述多个物性参数应用于神经网络来生成网格，其中所述神经网络已学习所述多个物性参数与所述3D织物披挂在对象上的状态下的网格之间的相关关系，以及基于所述生成的网格来生成披挂在所述对象上的3D织物的披挂模拟结果。

发明效果

根据一侧，通过使用经过学习物理特性参数与在对象上披挂3D织物的状态下的轮廓线之间的相关关系的神经网络，可以立即确认根据物理特性参数的变化的披挂模拟结果的变化。

根据一侧，通过使用经过学习的神经网络，可以立即确认与调整的物性参数相对应的披挂模拟结果。

根据一侧，通过在屏幕上输出用于调整物性参数的用户界面，用户可以容易地调整物性参数。

根据一侧，用户界面有助于理解物性参数与披挂模拟结果之间的相关关系。

根据一侧，基于物性参数之间的相关关系信息，通过对物性参数的输入设置约束条件，用户可以通过使用物性参数之间的相关关系来获得披挂模拟结果。

附图说明

图1为示出根据一实施例的3D织物的披挂模拟的方法的流程图。

图2为示出根据一实施例的生成3D织物的披挂模拟结果的过程的附图。

图3a为示出根据一实施例的用于调整物性参数的用户界面的附图。

图3b为示出对物性参数的用户输入设置约束条件的屏幕的附图。

图4为示出根据一实施例的将3D织物披挂在对象上的过程的附图。

图5为示出根据各种实施例的模拟装置的框图。

具体实施方式

本文中所公开的具体结构或功能描述仅用于说明根据技术构思的实施例的目的，实施例可以以各种不同的形式体现并且并不限于本文的实施例。

第一或第二等术语能够用于说明多种构成要素，然而，这些术语仅用于将一个构成要素区别于其他构成要素。例如，第一构成要素能够命名为第二构成要素，类似地，第二构成要素同样能够命名为第一构成要素。

当说明一构成要素“连接”或“耦合”到另一构成要素时，能够是直接连接或附加到该另一构成要素，然而，也能够理解为在它们之间存在其他构成要素。相反地，当说明一构成要素“直接连接”或“直接耦合”到另一构成要素时，可以理解为在它们之间不存在其他构成要素。描述构成要素之间关系的表达方式，例如“之间”、“直接之间”或“相邻”、“直接相邻”等，应将其解释为相似。

在内容中没有特别说明的情况下，单数表达包括复数含义。在本说明书中，“包括”或者“具有”等术语用于表达存在说明书中所记载的特征、数字、步骤、操作、构成要素、配件或其组合，并不排除还具有一个或以上的其他特征、数字、步骤、操作、构成要素、配件或其组合，或者附加功能。

在没有其他定义的情况下，包括技术或者科学术语在内的在此使用的全部术语，都具有本领域普通技术人员所理解的通常的含义。通常使用的与词典定义相同的术语，应理解为与相关技术的通常的内容相一致的含义，在本申请中没有明确言及的情况下，不能过度理想化或解释为形式上的含义。

下面，将参照附图详细描述实施例。每个图中相同的构成要素赋予相同的附图标记。

图1为示出根据一实施例的3D织物的披挂模拟的方法的流程图。

根据一实施例的确定物性参数的方法可以如下。首先，测量织物的物性，从而获得物性参数的初始值(initial value)。为此，大多数3D服装模拟软件可以包括用于其自身模拟器的测量装置。然而，从该测量装置获得的物性参数的初始值的精度可能不足以用于开发实际产品。例如，应用有物性参数的初始值的3D织物的披挂模拟结果可能与实际织物的披挂结果不充分相似。因此，作为下一个操作，可能需要调整物性参数。物性参数的调整可以意味着重复调整物性参数的过程。例如，调整物性参数的过程可以包括根据用户的直觉调整物性参数，以及模拟并验证与调整的物性参数相对应的3D织物的披挂结果的过程。然而，完成3D织物的披挂模拟可能需要至少几十秒。因此，可能需要几十分钟至一个小时来完成特定织物的物性参数的调整。因此，在物性参数的调整过程中减少3D织物的披挂模拟所需的时间可能尤为重要。

物性参数可以包括通过算法将通过测量装置所得的测量值转换的参数。例如，用户可以测量处于特定位置的织物样品的弯曲角度。模拟装置可以基于弯曲角度来计算弯曲力参数，即物性参数。

此外，也可以通过机器学习来估计物性参数。机器学习方法可以包括优化方法和监督学习方法。优化方法可以是在调整物性参数的同时找到最佳值的方法，直到再生与目标披挂充分相似的披挂模拟结果。监督学习方法可以是训练物性参数与披挂形状之间的相关关系的方法。

根据一实施例的模拟装置500(例如，图5的模拟装置500)可以接收多个物性(physical property)参数(步骤110)。物性参数可以指表示织物的物理性质的参数。物性参数可以包括拉伸力参数、弯曲力参数及密度参数中的至少一个。拉伸力可以是对水平、垂直及对角线方向上的拉伸中的至少一个的排斥力。拉伸可以是指织物的拉伸和收缩特性。弯曲力可以是指抵抗织物弯曲的排斥力。密度可以通过将该织物的质量除以织物的总面积来测量。

拉伸力参数可以包括纬纱方向拉伸力(weft stretch force)参数、经纱方向拉伸力(warp stretch force)参数及剪切力(shear force)参数中的至少一个。剪切力可以是当在相反方向上的相同大小的力同时作用在某个物体上时，平行于该物体的一面作用的力。纬纱方向拉伸力参数可以包括纬纱方向拉伸静止(stretch rest)参数或纬纱方向拉伸斜率(stretch slope)参数中的至少一个。经纱方向拉伸力参数可以包括经纱方向拉伸静止参数或经纱方向拉伸斜率参数中的至少一个。剪切力参数可以包括右剪切力参数或左剪切力参数中的至少一个或两者的值。右剪切力参数可以包括右剪切力的拉伸静止或右剪切力的延伸斜率中的至少一个。左剪切力参数可以包括左的拉伸静止或左剪切力的延伸斜率中的至少一个。

弯曲力参数可以包括纬纱方向弯曲力(weft bending-force)参数、经纱方向弯曲力(warp bending-force)参数、右剪切力弯曲力参数，左剪切力弯曲力参数及对角线方向弯曲力(diagonal-bending force)参数中的至少一个。纬纱(weft)可以是织物的水平方向的线，也可以称为“纬线”。此外，经纱(warp)可以是织物的垂直方向的线，也可以称为“经线”。

本文中的织物可以由织物、针织物或毛毡制成。例如，织物可以包括天然纤维织物(natural fiber fabrics)、合成纤维织物(synthetic fiber fabrics)、棉(cotton)、亚麻(linen)、羊毛(wool)、聚酯(polyester)、尼龙(nylon)、弹性纤维(elastane)等混纺纱织物(blended yarn fabrics)、小提花布/提花布(Dobby/Jacquard)、平纹单面针织布(Jersey)、小提花布(Dobby)、提花布/锦缎(Jacquard/Brocade)、平纹(Plain)、双面针织物/双面布(Double Knit/Interlock)、夹提花(Clip Jacquard)、网眼/薄纱(Mesh/Tulle)、斜纹(Twill)、网眼织物(Lace)、罗纹(Rib)、皱布/CDC(Crepe/CDC)、灯芯绒(Corduroy)、印花薄织物(Challis)、雪纺(Chiffon)、纯素皮革(Vegan Leather)、法兰绒(Flannel)、牛仔布(Denim)、天鹅绒(Velvet)、花呢(Tweed)、缎纹(Satin)、春亚纺(Dewspo)、PVC、拉歇尔经编针织物(Raschel)、双层织物(Double Weave)、金属圈(Eyelet)、羊毛(Fleece)、纱布/双层纱布(Gauze/Double Gauze)、纯素皮草(Vegan Fur)、钱布雷布/牛津布(Chambray/Oxford)、珠片布(Sequin)、经向斜纹毛织布(Tricot)、毛圈布(French Terry)、透明硬纱(Organza)、纯素仿麂皮绒(Vegan Suede)、罗马布(Ponte)、抓毛绒(Polar Fleece)、潜水料/空气层面料(Neoprene/Scuba)、格子布(Ripstop)、泡泡纱(Seersucker)、结子线织物(Boucle)、府绸(Poplin)、巴厘纱(Voile)、帆布(Canvas)、蜜丝绒(Velour)、乔其纱(Georgette)、珠地布(Pique)、TRS、平纹皱丝织品(Taffeta)、麦尔登呢/精练(Melton/Boiled)、毛巾布(Loop Terry)、乔赛绉(Crepe Jersey)、华夫格(Waffle)、羊羔绒(Sherpa)、网眼织物(Pointelle)、记忆布(Memory)、格子布(Plaid)、特卫强(Tyvek)或纯素皮革(Vegan Leather)、纯素皮草(Vegan Fur)中的至少一个。

物性参数可以包括通过第一区域(即，用于接收多个物性参数的用户输入的用户界面(user interface))输入的参数。参照图3a，多个物性参数可以显示在第一区域330中。此外，用于接收物性参数的用户输入的输入元件可以显示在第一区域330中。第一区域330可以包括纬纱方向弯曲力参数331、经纱方向弯曲力参数332、对角线方向弯曲力参数333(例如，对角线方向弯曲力参数可被称为弯曲斜纹(bending bias))、纬纱方向拉伸力参数334、经纱方向拉伸力参数335、剪切力参数336及密度337中的至少一个。用户可以通过使用物性参数输入元件341，通过第一区域330输入物性参数值。由物性参数输入元件341调整的物性参数值可以显示在子区域342中，其用于输出与物性参数相对应的值。

物性参数与在对象上披挂3D织物的状态下的轮廓线之间的相关关系可以是对数线性(log-linear)关系。因此，在图3a的第一区域330中显示的物性参数的输入元件可以是对数滑块(logarithmic slider)。

根据一实施例的模拟装置500可以基于物性参数之间的相关关系信息来设置对物性参数的用户输入的约束条件。对应于实际织物的物性参数可以彼此具有密切的相关性。例如，当纬纱方向拉伸力为10时，经纱方向拉伸力可以在8至12的范围内。作为另一示例，当纬纱方向拉伸力为10时，纬纱方向弯曲力可以在3至5的范围内。因此通过基于物性参数之间的相关关系信息设置对用户可输入的物性参数的约束条件，即使不知道物性参数之间的相关关系，用户也可以通过模拟装置500所设置的约束条件来获得与实际披挂结果类似的3D织物的披挂模拟结果。

根据一实施例的相关关系信息可以是基于对应于织物的物性参数的分布而确定的信息。例如，物性参数的分布可以根据织物是天然纤维织物还是合成纤维织物而变化。因此，模拟装置500可以基于物性参数的分布来生成物性参数之间的相关关系信息。

根据一实施例的相关关系信息可以是将至少3个以上的物性参数之间的相关关系转换为2个参数之间的相关关系的信息。例如，当有8个物性参数时，特定织物的物性可以用8个维度表示。模拟装置可以通过使用降维方法将以8维表示的物性降到2维。例如，模拟装置500可以将8个物性参数之间的相关关系转换为2个物性参数之间的相关关系。作为示例但并不限于此，降维方法可以是线性方法、非线性方法或深度学习方法中的至少一个。模拟装置500可以通过线性方法、非线性方法或深度学习方法中的至少一个将3个以上的物性参数之间的相关关系转换为2个参数之间的相关关系。线性方法可以包括主成分分析(Principal Component Analysis)或线性判别分析(Linear Discriminant Analysis)中的至少一种。非线性方法可以包括核主成分分析(核PCA，kernel principal componentanalysis)或t-分布随机邻域嵌入(t-SNE，t-distributed stochastic neighborembedding)中的至少一个。深度学习方法可以包括自编码器或变自编码器(VAE，Variational Autoencoders)中的至少一个。

根据一实施例，布料信息(例如，布料的类型、布料的混合比及布料的重量等)可以由用户输入，并且可以获得与所输入的布料信息匹配的多个物性参数。与布料信息匹配的多个物性参数可以以查找表形式等从数据库中获得，或者可以通过处理(例如，插值等)存储在数据库中的信息来获得。或者，可以通过预训练的神经网络推断与布料信息匹配的物性参数。

根据一实施例，用户可以输入包括布料纹理的图像(例如，(紧密地)拍摄布料的图像等)，并且可以基于布料的纹理来获得布料信息。例如，可以基于图像所包括的纹理的编织来估计布料的类型。当获得布料信息时，可以获得与布料信息匹配的物性参数。

根据一实施例的模拟装置500可以通过将多个物性参数应用于神经网络来生成在对象上披挂3D织物的状态下的网格(步骤120)。神经网络可以包括经过学习多个物性参数与在对象上披挂(draped)3D织物的状态下的网格之间的相关关系的神经网络。对象可以是用于织物的披挂模拟的对象。作为示例但并不限于此，对象可以是3D圆柱形圆柱体。本文中的圆柱体可以具有不同于圆柱形的各种形状。作为另一示例，对象可以是3D分身。当对象为3D分身时，模拟装置500可以生成将由织物制成的服装(garment)披挂在3D分身上的模拟结果。为了生成将服装披挂在3D分身上的模拟结果，模拟装置500可以使用网状网(mesh-net)。

神经网络可以包括完全连接层(fully connected layer)。作为示例但并不限于此，本文中的神经网络所包括的输入层和输出层可以分别包括7个(物性参数的数量)节点和732个(3D轮廓线坐标的数量)节点。作为示例但并不限于此，神经网络可以包括5个隐藏层(hidden layer)，并且隐藏层的各个节点的数量可以分别为512、4096、4096，4096及8192。作为示例但并不限于此，神经网络可以对除了输出层之外的每一层使用激活函数(例如，ReLU)。

为了学习神经网络可能需要学习数据。模拟装置500可以随机地对物性参数进行采样以收集学习数据，并基于采样的物性参数执行模拟。模拟装置500可以排除物理上不可能采样或可能与织物无关的不合适的物性参数。这种无效的物性参数可能导致模拟中的发散问题(divergence problem)，并且不必要地扩展物性参数的空间区域，由此，神经网络可能不容易学习。为了避免这种风险，可以根据经验证的物性参集的概率分布对物性参数进行采样。模拟装置500可以存储用于多种类型的织物的经验证的物性参数集。例如，包括5个分量的高斯混合模型(GMM)可适用于400个物性参数。模拟装置500可以根据高斯混合模型的概率分布来执行大量物性参数采样。

物性参数，即应用于神经网络的输入数据，可以通过对数(log)变换进行归一化。例如，物性参数可以在[0，1]的范围内被调整。对数变换可以基于先前的研究结果，即物性参数的变化与披挂形状的变化之间的相关关系呈对数线性关系。

根据一实施例的模拟装置500可以通过将3D织物本身的网格定义为输出数据来学习神经网络。然而，当使用3D织物的网格数据作为学习数据时，神经网络可能变得过于复杂并负面影响预测精度。

根据一实施例的模拟装置500可以将3D织物的轮廓线(例如，边缘曲线)定义为输出数据并学习神经网络。3D织物的轮廓线可以被定义为输出数据，因为可以假设(assumption)3D织物的披挂模拟结果是从3D织物的轮廓线估计的。这一假设是合理的，因为褶皱织物可被排除在神经网络的学习之外，并且不考虑重力以外的任何外力。作为示例但并不限于此，当轮廓线上有244个均匀采样的3D点时，3D点可以表示为序列，并且轮廓线可以表示为732维向量。

根据一实施例的模拟装置500可以通过使用高斯混合模型对多个物性参数集(例如，100000个集)进行采样。然后，模拟装置500可以通过使用每个采样的物性参数集来执行3D织物的披挂模拟。此外，当模拟结果在一定时间之后没有收敛到一个形状时，或者当最终披挂形状被确定为不是一般的织物形式(例如，太下垂或掉到地上)时，模拟装置500可以从学习数据中去除这种情况。作为示例但并不限于此，最终用于神经网络学习的学习数据的大小可以为92600。作为示例但并不限于此，模拟装置500可以使用在上述方法中获得的80％的数据来学习神经网络，并将剩余的20％的数据分成两半，并将其分别作为测试数据和验证数据。作为示例但并不限于此，模拟装置500可以通过使用均方误差损失函数(meansquare error loss function)和Adam优化器(Adam optimizer)来学习神经网络300个时期(epoch)。作为示例但并不限于此，模拟装置500可以计算以毫米为单位的每个预测的误差，以直观地理解神经网络的预测误差。

[数学式1]

在数学式1中，y_i和分别表示实际轮廓线和预测的轮廓线的244(＝n)个采样点。

轮廓线信息可以包括与在对象上披挂3D织物的状态下的织物的轮廓线相对应的3D坐标。对应于轮廓线的3D坐标可以包括与在对象(例如，圆柱等3D几何物体)上披挂的状态下的织物的轮廓线对应的3D点的坐标。模拟装置500可以对从包括对象上的织物的3D轮廓线的深度图像或从3D扫描图像与3D织物的轮廓线相对应的3D点进行采样，并通过获得采样的3D点的坐标的过程来生成轮廓线信息。

织物的至少一些区域可以位于对象上，其中部分区域由对象支撑，其余区域则可以不由对象支撑并在重力的影响下向下滑动。因此，披挂在对象上的3D织物的轮廓线可以由因不被对象支撑而向下滑动的其余区域的外廓线形成。

根据一实施例的模拟装置500可以基于生成的网格来生成披挂在对象上的3D织物的披挂模拟结果(步骤130)。参照图2详细描述3D织物的披挂模拟结果。图2示出通过步骤200、201、202生成模拟结果的过程。根据一实施例的模拟装置500可以通过使用神经网络生成与应用于神经网络的物性参数相对应的轮廓线信息。此外，模拟装置500可以基于轮廓线信息所包括的信息来生成披挂在对象上的3D织物的轮廓线210。根据一实施例的模拟装置500可以在与对象的上表面相对应的织物的部分230上生成第一网格。作为示例但并不限于此，第一网格可以是圆形网格(circular mesh)。模拟装置500可以基于织物的厚度将第一网格的位置设置为高于对象的上表面。根据一实施例的模拟装置500可以沿着上表面的外廓线生成第二网格250。作为示例但并不限于此，当对象为如图2所示的圆柱形圆柱体时，第二网格250可以是环形三角形带状网格(ring-shaped triangular strip mesh)。在这种情况下，第二网格250的宽度可以是4mm。因此，当对象为圆柱形圆柱体时，对象的上表面可以是圆形，并且外廓线可以是圆形(以下称为第一圆)。此外，在与圆形外廓线相距4mm的位置处生成另一个圆(以下称为第二圆)之后，模拟装置500可以在第一圆与第二圆之间生成第二网格250。在这种情况下，作为示例但并不限于此，第二圆的位置可以比第一圆低4mm。模拟装置500可以使用第二网格250来平滑(smoothing)围绕对象的上表面的外廓线的披挂。根据一实施例的模拟装置500可以在轮廓线210与第二网格250之间生成第三网格270。作为示例但并不限于此，当对象为圆柱形圆柱体时，模拟装置500可以在轮廓线210与第二圆之间生成第三网格270。因此，模拟装置500可以最终生成将3D织物披挂在对象上的模拟结果202。

根据一实施例的模拟装置500可以通过显示模拟结果的第二区域来输出3D织物的披挂模拟结果。当模拟装置500为服务器时，模拟装置500可以使得用户终端能够通过第二区域输出3D织物的披挂模拟结果。当模拟装置500为用户终端时，模拟装置500可以通过第二区域输出3D织物的披挂模拟结果。参照图3a，3D织物的披挂模拟结果可以通过第二区域310输出。第二区域310可以是用户界面的一部分。由于用户可以通过第二区域310查看与通过第一区域330输入的物性参数相对应的3D织物的披挂模拟结果，因此用户可以容易地调整物性参数。模拟装置500可以反映通过第一区域330输入的物性参数值，并通过第二区域310输出3D织物的披挂模拟结果。

根据一实施例，3D织物的披挂模拟结果可以包括与3D织物的物性相关的网格数据、与3D织物的纹理相关的法线图数据、与3D织物的视觉特性相关的图形数据或其各种组合。例如，虚拟布料(virtual fabric)可以由网格(物性)+法线图(纹理)+图形(颜色、透明度、反射等视觉属性)组成。

根据一实施例，3D织物的披挂模拟结果可以进一步包括3D织物的厚度数据和3D织物的纹理数据中的至少一个，其形式可以与网格数据组合。例如，其可以通过向网格添加i)厚度及ii)纹理来输出。根据一实施例，布料信息所包括的厚度信息可用于渲染。可以自动反映根据布料统计处理的厚度(例如，平均值等)，并且用户可以输入或改变厚度。此外，纹理(法线图+图形)可根据布料的类型自动应用，并可由用户更改。

根据一实施例的模拟装置500可以通过用户界面的第三区域350输出与模拟结果相对应的图像数据。图像数据可以包括拍摄披挂在对象上的织物的图像。图像数据可以是用户在调整物性参数时可参考的数据。参照图3a，模拟装置500可以通过第三区域350输出图像数据。用户可以参考图像数据并确定与输入的物性参数相对应的3D织物的披挂模拟结果是否与实际3D织物的披挂结果不同。当模拟结果与实际3D织物的披挂结果之间存在差异时，用户可以通过第一区域330调整物性参数，从而获得与实际披挂结果相同或类似的实际模拟结果。作为示例但并不限于此，可以通过第三区域350输出从不同视点拍摄实际披挂结果的图像。

图2为示出根据一实施例的生成3D织物的披挂模拟结果的过程的附图。

由于以上参照图1提供了图2的详细描述，因此将省略本附图中的详细描述。

图3a为示出根据一实施例的用于调整物性参数的用户界面的附图。

实施例可以实现为可分发的软件的形式或以通过web的服务形式。当通过Web以服务的形式实现时，服务器可以驱动机器学习(ML)模型，并且可以通过在线接收用户输入来通过web浏览器显示结果。

在图3a中，除了第一区域330、第二区域310及第三区域350之外，可以存在显示信息的另一区域。此外，可以省略第一区域330、第二区域310及第三区域350中的一部分。

为了提高物性参数的调整精度，可能会出现考虑目标织物通过不同披挂方法生成的两种以上的披挂模拟结果的情况。因此，模拟装置500可以在屏幕上同时输出不同的披挂模拟结果。由于用户可以在一个屏幕上查看分别在多个披挂方法中生成的披挂结果，由此可以提高物性参数的调整精度。作为示例但并不限于此，模拟装置500可以通过显示披挂模拟结果的第二区域310输出以不同披挂方法生成的披挂模拟结果。

由于以上参照图1提供了图3a的详细描述，因此将省略本附图中的详细描述。

图3b为示出对物性参数的用户输入设置约束条件的屏幕的附图。

图3b的屏幕360示出了多个物性参数361、362、363、364、365、366、367、368、369、370、371、372、373。此外，模拟装置500可以通过显示在屏幕360上的滑动条380来接收物性参数值的输入。

根据一实施例的模拟装置可以在用于输入物性参数的滑动条380上显示基于约束条件381。用户可以在约束条件381的范围内输入物性参数值。模拟装置500可以基于物性参数之间的相关关系来确定约束条件。此外，模拟装置500可以在滑动条380上显示所确定的约束条件。

图4为示出根据一实施例的将3D织物披挂在对象上的过程的附图。

本文中的“披挂(draping)”可以是将反映了物性参数的织物放置在对象上的过程。此外，披挂可以是用由织物制成的3D服装来装扮3D分身等的过程，其中所述织物反映了物性参数。可以使用各种披挂方法来分析各种织物的特征。Cusick披挂法，即各种披挂法之一，可以是纺织工业中最具代表性的方法之一。Cusick披挂法可以从将30cm的样品放置在直径为18cm的圆柱形圆柱体的上表面开始。未被圆柱形圆柱体支撑的织物的一部分可以向下滑动，从而形成织物的披挂形状。另一种披挂方法可以将30cm X 30cm正方形的织物样品放置在直径为10cm的圆柱形圆柱体上。此外，模拟装置500可以随机采样顶点以建立高分辨率织物模型。在以5mm的间隔的织物样品的网格模型中，可以有6554个顶点和12862个三角形面。

图4示出了圆柱形圆柱体410、织物430、初始状态400、中间状态401、402、403以及最终状态404。从初始状态400到最终状态404，与圆柱形圆筒410的上表面不接触的织物一部分可以通过重力逐渐向下滑动。用于确定最终状态404的终止条件可以是顶点的处理速度小于或等于某个阈值的情况。作为示例但并不限于此，对于所有实验，模拟时间可以设置为0.033分钟。满足终止条件所需的时间可以根据物性参数而变化。某些物性参数可能会延迟满足终止条件所需的时间。

图5为示出根据各种实施例的模拟装置的框图。

根据一实施例的模拟装置500可以是服务器。根据另一实施例的模拟装置500可以是用户终端(例如，移动设备、台式机、膝上型计算机、个人计算机等)。参照图5，根据一实施例的模拟装置500可以包括用户界面510、处理器530、显示器550及存储器570。用户界面510、处理器530、显示器550及存储器570可以通过通信总线505彼此连接。

用户界面510可以接收针对多个物性参数中的每一个的用户输入。例如，用户界面510可以通过键盘、触笔、鼠标点击和/或用户手指的触摸输入等来接收针对物性参数的用户的输入。

显示器550显示由处理器530生成的3D织物的模拟结果。模拟装置500可以在显示器550上输出第一区域330、第二区域310及第三区域350中的至少一个。

存储器570可以存储所生成的3D织物的模拟结果。另外，存储器570可以存储在上述处理器530执行的处理过程中生成的各种信息。另外，存储器570可以存储其他各种数据和程序等。存储器570可以包括易失性或非易失性存储器。存储器570可以包括大容量存储介质，例如硬盘等，并存储各种数据。

另外，处理器530可以执行以上参照图1至图3b描述的至少一种方法或对应于至少一种方法的算法。处理器530可以是由具有执行期望操作(desired operations)的物理结构的电路的硬件实现的数据处理设备。例如，期望的操作可以包括程序中包括的代码(code)或指令(instructions)。处理器530可以包括例如中央处理单元(CPU，CentralProcessing Unit)、图形处理单元(GPU，Graphics Processing Unit)或神经网络处理单元(NPU，Neural network Processing Unit)。例如，由硬件实现的模拟装置500可以包括微处理器(microprocessor)、中央处理单元(Central Processing Unit)、处理器内核(processor core)、多核处理器(multi-core processor)、多处理器(multiprocessor)、专用集成电路(Application Specific Integrated Circuits，ASICS)、现场可编程门阵列(field programmable gate array，FPGA)等。

处理器530可以执行程序，并控制模拟装置500。处理器530执行的程序代码可以被存储在存储器570中。

根据实施例的方法以能够通过多种计算机手段执行的程序命令的形式体现，并记录在计算机读写介质中。所述计算机读写介质能够以单独或者组合的形式包括程序命令、数据文件、数据结构等。记录在所述介质的程序指令能够是为实现实施例而特别设计与构成的指令，或者是计算机软件领域普通技术人员能够基于公知使用的指令。计算机读写记录介质能够包括硬盘、软盘以及磁带等磁性媒介(magnetic media)；与CD-ROM、DVD等类似的光学媒介(optical media)；与光磁软盘(floptical disk)类似的磁光媒介(magneto-optical media)，以及与只读存储器(ROM)、随机存取存储器(RAM)、闪存等类似的为存储并执行程序命令而特别构成的硬件装置。程序指令的例子不仅包括通过编译器生成的机器语言代码，还包括通过使用解释器等能够由计算机执行的高级语言代码。为执行实施例的操作，所述硬件装置能够构成为以一个以上的软件模块实现操作的方式，反之亦然。

软件能够包括计算机程序(computer program)、代码(code)、指令(instruction)，或其中的一个以上的组合，能够使加工装置按照所期待的方式操作，或者，单独或共同(collectively)命令加工装置。为通过加工装置进行解释或者向加工装置提供命令或数据，软件和/或数据能够永久或临时体现于(embody)任何类型的设备、构成要素(component)、物理装置、虚拟装置(virtual equipment)、计算机存储介质或装置。软件分布于通过网络连接的计算机系统上，能够以分布式存储或执行。软件及数据能够存储于一个以上的计算机读写存储介质中。

综上，通过有限的附图对实施例进行了说明，本领域普通技术人员能够基于所述记载进行多种更改与应变。例如，所说明的技术按照与说明的方法不同的顺序执行，和/或所说明的系统、结构、装置、电路等构成要素按照与说明的方法不同的形态进行结合或组合，或者由其他构成要素或者等同物置换或代替，也能得到适当的结果。

由此，其他体现，其他实施例以及权利要求范围的等同物，均属于本发明的权利要求范围。

Claims (21)

1.一种3D织物的披挂模拟方法，其特征在于，

包括以下步骤：

接收多个物性参数；

通过将所述多个物性参数应用于神经网络来生成网格，其中所述神经网络已学习所述多个物性参数与所述3D织物披挂在对象上的状态下的网格之间的相关关系；以及

基于所述生成的网格来生成披挂在所述对象上的3D织物的披挂模拟结果。

2.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

所述物性参数为通过第一区域输入的参数，其中所述第一区域为可接收所述多个物性参数的用户输入的用户界面。

3.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

接收所述物性参数的步骤，包括以下步骤：

从用户接收布料信息；以及

基于所述布料信息来获得与所述布料信息匹配的所述多个物性参数。

4.根据权利要求3所述的3D织物的披挂模拟方法，其特征在于，

所述布料信息包括布料的类型、布料的混合比以及布料的重量中的至少一个。

5.根据权利要求3所述的3D织物的披挂模拟方法，其特征在于，

接收所述布料信息的步骤，包括以下步骤：

从所述用户接收包括布料纹理的图像；以及

基于所述布料纹理来获得所述布料信息。

6.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

还包括以下步骤：

在接收所述多个物性参数之前，基于所述物性参数之间的相关关系信息，设置对所述物性参数的用户输入的约束条件。

7.根据权利要求6所述的3D织物的披挂模拟方法，其特征在于，

所述相关关系信息为基于与所述织物相对应的物性参数的分布而确定的信息。

8.根据权利要求6所述的3D织物的披挂模拟方法，其特征在于，

所述相关关系信息为将至少三个以上的物性参数之间的相关关系转换为两个参数之间的相关关系的信息。

9.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

所述物性参数包括拉伸力参数、弯曲力参数及密度参数中的至少一个。

10.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

所述拉伸力参数包括纬纱方向拉伸力参数、经纱方向拉伸力参数及剪切力参数中的至少一个。

11.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

所述弯曲力参数包括纬纱方向弯曲力参数、经纱方向弯曲力参数及对角线方向弯曲力参数中的至少一个。

12.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

生成所述网格的步骤，包括以下步骤：

通过将所述多个物性参数应用于神经网络来生成在对象上披挂所述3D织物的状态下的轮廓线信息；以及

基于所述轮廓线信息来生成所述网格。

13.根据权利要求12所述的3D织物的披挂模拟方法，其特征在于，

所述轮廓线信息包括与在对象上披挂所述3D织物的状态下的织物的轮廓线相对应的3D坐标。

14.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

生成所述3D织物的披挂模拟结果的步骤，包括以下步骤：

在织物的与所述对象的上表面相对应的部分上生成第一网格；

沿着所述上表面的外廓线生成第二网格；以及

在所述第二网格与轮廓线之间生成第三网格。

15.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

还包括以下步骤：

通过显示所述披挂模拟结果的第二区域来输出所述3D织物的披挂模拟结果，

其中所述3D织物的披挂模拟结果包括与所述3D织物的物性相关的网格数据、与所述3D织物的纹理相关的法线映射数据及与所述3D织物的视觉属性相关的图形数据中的至少一个。

16.根据权利要求15所述的3D织物的披挂模拟方法，其特征在于，

所述3D织物的披挂模拟结果还包括所述3D织物的厚度数据及所述3D织物的纹理数据中的至少一个，其形式可以与所述网格数据组合。

17.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

还包括以下步骤：

通过第三区域输出与所述披挂模拟结果相对应的图像数据，其中所述图像数据包括拍摄披挂在对象上的织物的图像数据。

18.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

还包括以下步骤：

在被配置为输入所述多个物性参数的滑动条上显示约束条件。

19.根据权利要求1所述的3D织物的披挂模拟方法，其特征在于，

接收所述多个物性参数的步骤，包括以下步骤：

通过网络接收通过用户终端输入的所述多个物性参数，

其中所述披挂模拟结果可通过所述网络传输到所述用户终端。

20.一种存储在计算机可读记录介质中的计算机程序，以与硬件结合执行权利要求1至19中任一项所述的方法。

21.一种用于3D织物的披挂模拟的模拟装置，其特征在于，

包括：

用户界面；

存储器；以及

处理器，

其中所述处理器被配置为：

接收多个物性参数，

通过将所述多个物性参数应用于神经网络来生成网格，其中所述神经网络已学习所述多个物性参数与所述3D织物披挂在对象上的状态下的网格之间的相关关系，以及

基于所述生成的网格来生成披挂在所述对象上的3D织物的披挂模拟结果。