WO2023113571A1 - 3차원 천의 착장 시뮬레이션 방법 및 장치 - Google Patents

3차원 천의 착장 시뮬레이션 방법 및 장치 Download PDF

Info

Publication number
WO2023113571A1
WO2023113571A1 PCT/KR2022/020679 KR2022020679W WO2023113571A1 WO 2023113571 A1 WO2023113571 A1 WO 2023113571A1 KR 2022020679 W KR2022020679 W KR 2022020679W WO 2023113571 A1 WO2023113571 A1 WO 2023113571A1
Authority
WO
WIPO (PCT)
Prior art keywords
cloth
physical property
wearing
property parameters
simulating
Prior art date
Application number
PCT/KR2022/020679
Other languages
English (en)
French (fr)
Inventor
주은정
최명걸
심응준
Original Assignee
(주)클로버추얼패션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020220177449A external-priority patent/KR20230092811A/ko
Application filed by (주)클로버추얼패션 filed Critical (주)클로버추얼패션
Priority to CN202280007719.0A priority Critical patent/CN116615758A/zh
Priority to EP22905466.3A priority patent/EP4250240A4/en
Publication of WO2023113571A1 publication Critical patent/WO2023113571A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/16—Cloth

Definitions

  • the following embodiments relate to a method and apparatus for simulating wearing of a three-dimensional cloth.
  • a garment looks three-dimensional when worn by a person, it is actually close to two-dimensional because it corresponds to a combination of fabric pieces cut according to a two-dimensional pattern. Since the cloth used as a material of the costume is flexible, its shape can be changed in various ways according to the body shape or movement of the person wearing the costume.
  • the optimal physical property parameter may mean a physical property parameter that outputs a wearing simulation result that is as similar as possible to actual fabric.
  • the relationship between the change in the shape of the worn 3D cloth and the physical property parameter is very nonlinear and may not be intuitive. Therefore, finding the optimal physical property parameters for fabric can be very difficult even for a costume design expert.
  • a physical property parameter tuning process may be required to find an optimal physical property parameter.
  • Interest in a user interface optimized for the tuning of physical property parameters and neural network-related technologies for accurately outputting fitting simulation results corresponding to the adjusted physical property parameters is increasing.
  • a draping simulation method of a three-dimensional fabric according to one side includes receiving a plurality of physical property parameters; Generating the mesh by applying the plurality of physical property parameters to a neural network, wherein the neural network has learned a correlation between the plurality of physical property parameters and a mesh draped on the 3D transition object. ; and generating a wearing simulation result of a 3D cloth worn on the object based on the generated mesh.
  • the physical property parameters may be parameters input through a first region that is a user interface capable of receiving user inputs of the plurality of physical property parameters.
  • the receiving of the plurality of physical property parameters may include receiving far-end information from a user; and acquiring the plurality of physical property parameters matched with the origin information based on the origin information.
  • the fabric information may include at least one of a type of fabric, a mixing ratio of fabric, and a weight of fabric.
  • the receiving of the original fabric information may include receiving an image including a texture of the fabric from the user; and obtaining fabric information based on the texture of the fabric.
  • the 3D cloth wearing simulation method further includes, prior to the step of receiving the plurality of physical property parameters, setting constraints on user input of the physical property parameters based on correlation information between the physical property parameters.
  • setting constraints on user input of the physical property parameters based on correlation information between the physical property parameters.
  • the correlation information may be information determined based on a distribution of physical property parameters corresponding to the cloth.
  • the correlation information may be information obtained by converting a correlation between at least three physical property parameters into a correlation between two parameters.
  • the physical property parameters may include at least one of a stretch parameter, a bending force parameter, and a density parameter.
  • the stretch parameter may include at least one of a weft stretch force parameter, a wrap stretch force parameter, and a shear force parameter.
  • the bending force parameter may include at least one of a weft banding-force parameter, a wrap banding-force parameter, and a diagonal-banding force parameter.
  • the generating of the mesh may include generating contour information of a state worn on the 3D transition object by applying the plurality of physical property parameters to a neural network; and generating the mesh based on the contour information.
  • the contour line information may include 3-dimensional coordinates corresponding to the contour line of the cloth in a state of being worn on the 3-dimensional transition object.
  • the generating of the 3D cloth wearing simulation result may include generating a first mesh on a portion of the cloth corresponding to the upper surface of the object; generating a second mesh along the outline of the upper surface; and generating a third mesh between the contour line and the second mesh.
  • the 3D cloth wearing simulation method may further include outputting a 3D cloth wearing simulation result through a second area where the simulation result is displayed.
  • the 3D cloth wearing simulation result may include at least one of mesh data related to physical properties of the 3D cloth, normal map data related to texture of the 3D cloth, and graphic data related to visual properties of the 3D cloth.
  • the 3D cloth wearing simulation result may further include at least one of the 3D cloth thickness data and the 3D cloth texture data in a form that can be combined with the mesh data.
  • the 3D cloth wearing simulation method may further include outputting image data corresponding to the simulation result through a third region, wherein the image data includes image data of a cloth worn on an object photographed. there is.
  • the 3D cloth wearing simulation method may further include displaying constraint conditions on a slide bar for inputting the plurality of physical property parameters.
  • Receiving the plurality of physical property parameters may include receiving the plurality of physical property parameters input through a user terminal through a network.
  • the simulation result may be transmitted to the user terminal through the network.
  • a simulation device for simulating the wearing of a 3D cloth according to one side includes a user interface; Memory; and a processor.
  • the processor receives a plurality of material property parameters, and the plurality of material property parameters are stored in a neural network, wherein the neural network learns a correlation between the plurality of material property parameters and a mesh draped on the 3D transition object.
  • the mesh is generated, and a wearing simulation result of the three-dimensional cloth worn on the object is generated based on the generated mesh.
  • the user interface may be helpful in understanding the correlation between physical property parameters and fitting simulation results.
  • the user can obtain a wearing simulation result in which the correlation between the physical property parameters is considered.
  • FIG. 1 is a flowchart illustrating a method for simulating wearing a 3D cloth according to an exemplary embodiment.
  • FIG. 2 is a diagram for explaining a process of generating a 3D cloth wearing simulation result according to an embodiment.
  • 3A is a diagram for describing a user interface for tuning physical property parameters according to an exemplary embodiment.
  • 3B is a diagram for explaining a screen in which constraint conditions are set for user input of physical property parameters.
  • FIG. 4 is a diagram for explaining a process of wearing a 3D transition object according to an embodiment.
  • FIG. 5 is a block diagram for explaining a simulation device according to various embodiments.
  • first or second may be used to describe various components, but these terms should only be understood for the purpose of distinguishing one component from another.
  • a first element may be termed a second element, and similarly, a second element may also be termed a first element.
  • FIG. 1 is a flowchart illustrating a method for simulating wearing a 3D cloth according to an exemplary embodiment.
  • One method of determining physical property parameters may be as follows. First, the physical properties of the cloth are measured to obtain the initial values of the physical property parameters. To this end, most 3D costume simulation software may include its own dedicated simulator measurement device. However, there may be cases where the accuracy of the initial value of the physical property parameter obtained from the corresponding measuring device is not sufficient for use in actual product development. For example, a 3D fabric fitting simulation result to which initial values of physical property parameters are applied may not be sufficiently similar to an actual cloth fitting result. Therefore, the next step, physical property parameter tuning, may be required. Physical property parameter tuning may basically mean repeating the process of adjusting the physical property parameter.
  • the process of adjusting physical property parameters may include a process of adjusting physical property parameters according to the user's intuition, and simulating and confirming a wearing result of the 3D cloth corresponding to the adjusted physical property parameters.
  • it may take at least several tens of seconds to complete the 3D cloth wearing simulation. Therefore, it may take several tens of minutes to an hour or more to complete the physical property parameter adjustment operation for one specific fabric. Therefore, it may be important to reduce the time required for 3D cloth wearing simulation in the process of tuning physical property parameters.
  • the physical property parameter may include a parameter obtained by converting measurement values obtained through a measuring device using an algorithm. For example, a user can measure the bending angle of a fabric sample placed at a specific location.
  • the simulation device may calculate a bending force parameter, which is a physical property parameter, based on the bending angle.
  • physical property parameters may be estimated using machine learning.
  • Machine learning approaches may include optimization methods and supervised learning methods.
  • the optimization method may be a method of finding an optimal value while adjusting physical property parameters until a fitting simulation result sufficiently similar to the target fitting is reproduced.
  • the supervised learning method may refer to a method of learning a correlation between a physical property parameter and a wearing shape.
  • the simulation device 500 may receive 110 a plurality of physical property parameters.
  • the physical property parameters may refer to parameters representing physical properties of the fabric.
  • the physical property parameter may include at least one of an elasticity parameter, a bending force parameter, and a density parameter.
  • Elasticity may refer to repulsive force against stretching in at least one of horizontal, vertical, and diagonal directions. Stretching may refer to the property of stretching and contracting the fabric.
  • the bending force may mean a repulsive force against bending of the cloth. Density can be measured by dividing the mass of the fabric by the total area of the fabric.
  • the elasticity parameter may include at least one of a weft stretch force parameter, a warp stretch force parameter, and a shear force parameter.
  • the shear force may refer to a force acting in parallel along a plane within an object when forces having the same magnitude and opposite directions simultaneously act on an object.
  • the weft direction stretch parameter may include at least one of a weft direction stretch rest parameter and a weft direction stretch slope parameter.
  • the oblique direction elasticity parameter may include at least one of an oblique direction elasticity rest parameter and an oblique direction elasticity slope parameter.
  • the shear force parameter may include at least one of a right shear force parameter, a left shear force parameter, or both values.
  • the right shear force parameter may include at least one of an elastic rest of the right shear force or an elastic slope of the right shear force.
  • the left shear force parameter may include at least one of an elastic rest of a left shear force or an elastic slope of a right shear force.
  • the bending force parameters include a weft banding-force parameter, a wrap banding-force parameter, a right-side shear-force bending-force parameter, a left-side shear-force bending-force parameter, and a diagonal-banding force. At least one of the parameters may be included.
  • Weft refers to the yarn in the transverse direction of the fabric, and can also be called 'weft'.
  • 'warp' represents the yarn in the longitudinal direction of the fabric, and may also be called 'warp'.
  • cloth may be made of fabric, knitted fabric or felt.
  • fabrics include natural fiber fabrics, synthetic fiber fabrics, cotton, linen, wool, polyester, nylon, elastane. blended yarn fabrics such as elastane, Dobby/Jacquard, Jersey, Dobby, Jacquard/Brocade, Plain, Double Knit/Interlock, Clip Jacquard, Mesh/Tulle, Twill, Lace, Rib, Crepe/CDC, Corduroy, Challis, Chiffon, vegan Leather, Flannel, Denim, Velvet, Tweed, Satin, Dewspo, PVC, Raschel, Double Weave, Eyelet, Fleece, Gauze/Double Gauze, vegan Fur, Chambray/Oxford, Sequin, Tricot, French Terry , Organza, vegan Suede, Ponte, Polar Fleece, Neoprene/Scuba, Ripstop, Seersucker, Boucle, Poplin, Voile, Canvas, Velour, Georgette, Pique,
  • the physical property parameters may include parameters input through a first region that is a user interface capable of receiving user inputs of a plurality of physical property parameters.
  • a plurality of physical property parameters may be displayed in the first area 330 .
  • input means capable of receiving a user input of physical property parameters may be displayed on the first area 330 .
  • the weft direction bending force parameter 331, the warp direction bending force parameter 332, and the diagonal direction bending force parameter 333 eg, the diagonal direction bending force parameter may be expressed as Bending Bias.
  • a weft direction elasticity parameter 334 e.g, the diagonal direction bending force parameter may be expressed as Bending Bias.
  • a weft direction elasticity parameter 334 e.g, the diagonal direction bending force parameter may be expressed as Bending Bias.
  • a weft direction elasticity parameter 334, a warp direction elasticity parameter 335, a shear force parameter 336, and a density 337 e.g, the diagonal direction
  • a user may input a physical property parameter value through the first region 330 using the physical property parameter input unit 341 .
  • the physical property parameter value adjusted through the physical property parameter input unit 341 may be displayed in the sub area 342 outputting a value corresponding to the corresponding physical property parameter.
  • a correlation between the physical property parameter and the contour line in a state worn on the 3D transition object may be a log-linear relationship. Accordingly, a means for inputting physical property parameters displayed in the first area 330 of FIG. 3A may be a logarithmic slider.
  • the simulation apparatus 500 may set constraints on user input of physical property parameters based on correlation information between the physical property parameters.
  • Each physical property parameter corresponding to the actual cloth may have a close correlation.
  • the range of possible values for the warp direction elasticity may be 8 to 12.
  • the range of bending force in the weft direction may be 3-5. Therefore, by setting constraints on the physical property parameters that can be input by the user based on the correlation information between the physical property parameters, even if the user does not know the correlation between the physical property parameters, the constraint conditions set by the simulation device 500 Through, it is possible to obtain a simulation result of wearing a 3D cloth similar to an actual wearing result.
  • Correlation information may be information determined based on a distribution of physical property parameters corresponding to fabric. For example, when the fabric is a natural fiber fabric and a synthetic fiber fabric, the distribution of physical property parameters may be different. Accordingly, the simulation apparatus 500 may generate correlation information between physical property parameters based on the distribution of the physical property parameters.
  • Correlation information may be information obtained by converting a correlation between at least three physical property parameters into a correlation between two parameters. For example, if there are 8 physical property parameters, the physical properties of a specific fabric can be expressed in 8 dimensions.
  • the simulation device can reduce the physical properties expressed in 8 dimensions to 2 dimensions through the dimension reduction method.
  • the simulation device 500 may convert a correlation of 8 physical property parameters into a correlation of 2 parameters.
  • the dimensionality reduction method may be, by way of example and not limitation, at least one of a linear method, a non-linear method, or a deep learning method.
  • the simulation apparatus 500 may convert a correlation between three or more physical property parameters into a correlation between two parameters through at least one of a linear method, a nonlinear method, and a deep learning method.
  • the linear method may include at least one of Principal Component Analysis or Linear Discriminant Analysis.
  • the nonlinear method may include at least one of kernel principal component analysis (kernel PCA) or t-distributed stochastic neighbor embedding (t-SNE).
  • the deep learning method may include at least one of autoencoders or Variational Autoencoders (VAEs).
  • fabric information (eg, fabric type, fabric mixing ratio, fabric weight, etc.) may be input from a user, and a plurality of physical property parameters matching the input fabric information may be obtained.
  • a plurality of physical property parameters matched to far-end information may be obtained from a database in the form of a lookup table or the like, or may be obtained by processing (eg, interpolation) information stored in the database.
  • a plurality of physical property parameters matching the far-end information may be inferred by a pre-learned neural network.
  • an image including a texture of a fabric may be input from a user, and fabric information may be obtained based on the texture of the fabric.
  • the type of fabric may be estimated based on the weave of the texture included in the image.
  • a plurality of physical property parameters matching the far-end information may be obtained.
  • the simulation device 500 may generate a mesh in a state of wearing a 3D transition object (120) by applying a plurality of physical property parameters to the neural network.
  • the neural network may include a neural network in which a correlation between a plurality of physical property parameters and a mesh draped on a 3D transition object has been learned.
  • the object may refer to an object used for fabric wearing simulation.
  • the object may be, by way of example and not limitation, a three-dimensional cylindrical cylinder. In this specification, the cylinder may be of various other shapes besides the cylinder.
  • the object may be a 3D avatar.
  • the simulation device 500 may generate a simulation result in which a garment made of cloth is worn on the 3D avatar.
  • the simulation device 500 may use a mesh-net to generate a simulation result in which a costume is worn on a 3D avatar.
  • a neural network may include a fully connected layer.
  • the input layer and the output layer included in the neural network herein may include 7 (the number of physical property parameters) nodes and 732 (the number of 3D contour coordinates) nodes, respectively.
  • a neural network may include five hidden layers, and the number of nodes in each hidden layer may be 512, 4096, 4096, 4096, and 8192, respectively.
  • a neural network may use an activation function (eg, ReLU) for each layer except for the output layer.
  • ReLU activation function
  • Training data may be required to train the neural network.
  • the simulation device 500 may randomly sample physical property parameters to collect learning data and then execute simulation based on the sampled physical property parameters.
  • Simulation device 500 may exclude erroneous material property parameters from sampling that are not physically possible or cannot be considered cloth. Such invalid physical property parameters may cause a divergence problem in simulation, and may make learning of the neural network difficult by unnecessarily extending the spatial domain of the material property parameters.
  • the physical property parameters can be sampled according to the probability distribution of the verified material property parameter set.
  • the simulation device 500 may store verified physical property parameter sets for a plurality of types of fabrics. For example, a Gaussian Mixture Model (GMM) with 5 components may be suitable for 400 material property parameters.
  • the simulation device 500 may sample a large-size physical property parameter according to the probability distribution of the Gaussian mixture model.
  • GMM Gaussian Mixture Model
  • Physical property parameters which are input data applied to the neural network, may be normalized by log transformation.
  • physical property parameters can be tuned in the [0, 1] range.
  • the reason why the logarithmic transformation occurs may be based on the results of previous studies that the correlation between the change of the wearing shape and the change of the physical property parameter is in a log-linear relationship.
  • the simulation device 500 may define a 3D cloth mesh itself as output data to train a neural network.
  • 3D cloth mesh data as training data can lead to excessive complexity of the neural network and negatively affect prediction accuracy as a result.
  • the simulation device 500 may define a 3D cloth outline (eg, an edge curve) as output data to train a neural network.
  • a 3D cloth outline eg, an edge curve
  • the reason why the contour of the 3D cloth is defined as the output data is that there is an assumption that the 3D cloth fitting simulation result can be estimated from the contour of the 3D cloth.
  • the reason why this assumption is reasonable is that the wrinkled cloth is excluded from the neural network training, and external forces other than gravity are not considered.
  • the contour can be represented as a 732-dimensional vector since the 3D points are represented as a sequence.
  • the simulation device 500 may sample a plurality of physical property parameter sets (eg, 100,000 sets) using a Gaussian mixture model. Next, the simulation device 500 may execute a 3D cloth wearing simulation using each sampled physical property parameter set. In addition, the simulation device 500 may remove from the learning data a case where the simulation result does not converge to one shape after a certain period of time or when it is determined that the final wearing shape is not a general cloth shape (eg, a case where the fabric is too droopy or falls to the ground).
  • the size of training data finally used for learning the neural network may be 92,600.
  • the simulation device 500 may use 80% of the data acquired in this way for neural network training and divide the remaining 20% data in half to use as test data and verification data, respectively.
  • the simulation device 500 may train the neural network for 300 epochs using a mean square error loss function and an Adam optimizer.
  • the simulation device 500 may calculate the error of each prediction in millimeters in order to intuitively understand the prediction error of the neural network.
  • the contour information may include 3D coordinates corresponding to the contour of the cloth in a state of being worn on the 3D transition object.
  • the 3D coordinates corresponding to the contour may include coordinates of 3D points corresponding to the contour of a cloth placed on an object (eg, a 3D geometric object such as a cylindrical cylinder).
  • the simulation device 500 samples 3D points corresponding to the 3D contour of the 3D cloth from a depth image or a 3D scan image including the 3D contour of the cloth placed on the object, and obtains coordinates of the sampled 3D points. Through this process, contour information can be created.
  • the outline of the 3D cloth worn on the object may be formed by the outline of the remaining area of the cloth that is not supported by the object and flows down.
  • the simulation apparatus 500 may generate ( 130 ) a wearing simulation result of a 3D cloth worn on an object based on the generated mesh.
  • a simulation result of wearing a three-dimensional cloth will be described in detail with reference to FIG. 2 .
  • a process of generating simulation results is shown step by step ( 200 , 201 , 202 ).
  • the simulation apparatus 500 may generate contour information corresponding to physical property parameters applied to the neural network using a neural network.
  • the simulation device 500 may generate the contour line 210 of the 3D cloth worn on the object based on the information included in the contour information.
  • the simulation apparatus 500 according to an embodiment may generate a first mesh on a portion 230 of the cloth corresponding to the upper surface of the object.
  • the first mesh may be, by way of example and not limitation, a circular mesh.
  • the simulation device 500 may set the position of the first mesh higher than the upper surface of the object based on the thickness of the cloth.
  • the simulation apparatus 500 may generate the second mesh 250 along the outline of the upper surface.
  • the second mesh 250 may be a ring-shaped triangular strip mesh.
  • the second mesh 250 may have a width of 4 mm. Accordingly, when the object is a cylindrical cylinder, the upper surface of the object may be circular and the outline may also be circular (hereinafter referred to as a first circle).
  • the simulation device may create another circle (hereinafter referred to as a second circle) at a position 4 mm away from the circular outline, and then create a second mesh 250 between the first circle and the second circle.
  • the position of the second circle may be located 4 mm below the first circle.
  • the simulation device 500 may use the second mesh 250 to smooth the wear around the outline of the upper surface of the object.
  • the simulation device 500 may generate a third mesh 270 between the contour line 210 and the second mesh 250 .
  • the simulation device 500 may generate a third mesh 270 between the contour line 210 and the second circle.
  • the simulation apparatus 500 may finally generate a simulation result 202 in which a 3D transition is attached to an object.
  • the simulation device 500 may output a 3D cloth wearing simulation result through the second area where the simulation result is displayed.
  • the simulation device 500 may cause the user terminal to output a 3D cloth wearing simulation result through the second area.
  • the simulation device 500 may output a 3D cloth wearing simulation result through the second area.
  • a 3D cloth wearing simulation result may be output in the second region 310.
  • the second region 310 may be part of a user interface. Since the user can view the 3D cloth wearing simulation results corresponding to the physical property parameters input through the first area 330 through the second area 310, the physical property parameter can be smoothly tuned.
  • the simulation device 500 may reflect the physical property parameter value input through the first area 330 and output a 3D cloth wearing simulation result in the second area 310 .
  • the 3D cloth wearing simulation result includes mesh data related to physical properties of the 3D cloth, normal map data related to the texture of the 3D cloth, graphic data related to visual properties of the 3D cloth, or various combinations thereof.
  • a virtual fabric may consist of mesh (physical properties) + normal map (texture) + graphic (visual properties such as color, transparency, and reflection).
  • the 3D cloth fitting simulation result may further include at least one of 3D cloth thickness data and 3D cloth texture data in a form that can be combined with mesh data. For example, it can be output by adding i) thickness and ii) texture to the mesh.
  • thickness information included in fabric information may be utilized in rendering. Statistically processed (eg, averaged, etc.) thicknesses may be automatically reflected according to fabrics, and thicknesses may be input or changed by the user.
  • the texture normal + graphic may be automatically applied according to the type of fabric or may be changed by the user.
  • the simulation device 500 may output image data corresponding to a simulation result through the third area 350 of the user interface.
  • the image data may include an image of a cloth worn on an object photographed.
  • Image data may be data that a user can refer to in a process of tuning physical property parameters.
  • the simulation device 500 may output image data through the third area 350 .
  • the user may determine whether there is a difference between the 3D cloth wearing simulation result corresponding to the input physical property parameter and the actual 3D cloth wearing result by referring to the image data. If there is a difference between the simulation result and the actual 3D cloth wearing result, the user may obtain an actual simulation result identical to or similar to the actual wearing result by adjusting the physical property parameter through the first region 330 .
  • images of actual wearing results taken at various viewpoints may be output to the third area 350 .
  • FIG. 2 is a diagram for explaining a process of generating a 3D cloth wearing simulation result according to an embodiment.
  • FIG. 2 Since the detailed description of FIG. 2 has been described above with respect to FIG. 1 , a detailed description of FIG. 2 will be omitted.
  • 3A is a diagram for describing a user interface for tuning physical property parameters according to an exemplary embodiment.
  • Embodiments may be implemented in the form of distributable software or implemented in the form of service through the web.
  • the ML model can be operated in the server, and the service can be provided in such a way that user input is received online and the results are displayed with a web viewer.
  • FIG. 3A other information display areas may be displayed in addition to the first area 330 , the second area 310 , and the third area 350 .
  • some of the first region 330, the second region 310, and the third region 350 may be omitted.
  • the simulation device 500 can simultaneously output different wearing simulation results on the screen. Since the user can view the wearing results generated by a plurality of wearing methods on a single screen, the accuracy of physical property parameter tuning can be increased. As a non-limiting example, the simulation device 500 may output the wearing simulation results of fabrics generated by different wearing methods to the second area 310 that outputs the wearing simulation results.
  • FIG. 3A Since the detailed description of FIG. 3A has been described above with reference to FIG. 1 , the detailed description in this drawing will be omitted.
  • 3B is a diagram for explaining a screen in which constraint conditions are set for user input of physical property parameters.
  • a plurality of physical property parameters 361, 362, 363, 364, 365, 367, 368, 369, 370, 371, 372, and 373 are shown. Further, the simulation device 500 may receive input of physical property parameter values through the slide bar 380 displayed on the screen 360 .
  • the simulation device may display the constraint condition 381 on the slide bar 380 for inputting physical property parameters.
  • the user may input physical property parameter values within the constraint condition 381 range.
  • the simulation apparatus 500 may determine constraint conditions based on correlation information between physical property parameters. Also, the simulation apparatus 500 may display constraint conditions on the slide bar 380 based on the determined constraint conditions.
  • FIG. 4 is a diagram for explaining a process of wearing a 3D transition object according to an exemplary embodiment.
  • 'draping' may be a process of placing a transition object in which a physical property parameter is reflected.
  • the dressing may be a process of putting on a 3D avatar or the like with a 3D costume made of cloth in which the physical property parameters of the cloth are reflected.
  • Various wearing methods can be used to analyze the characteristics of various fabrics.
  • Cusick's wearing method may be the most representative method used in the textile industry.
  • Cusick's mounting method can start with placing a 30 cm sample on the upper surface of a cylindrical cylinder with a diameter of 18 cm. A portion of the fabric not supported by the cylindrical cylinder may flow down to form a fitted shape of the fabric.
  • Another mounting method may be to place a 30 cm X 30 cm square fabric sample in a cylindrical cylinder with a diameter of 10 cm.
  • the simulation device 500 may randomly sample vertices to build a high-resolution cloth model. There can be 6,554 vertices and 12,862 triangular faces in the mesh model of the cloth sample at 5 mm intervals.
  • FIG. 4 a cylindrical cylinder 410 and a cloth 430 are shown, and an initial state 400 , intermediate states 401 , 402 , 403 , and a final state 404 are shown. From the initial state 400 to the final state 404, parts of the cloth that do not come into contact with the upper surface of the cylindrical cylinder 410 may gradually flow down due to gravity.
  • An end condition for determining the final state 404 may be a case where a processing speed for a vertex is equal to or less than a specific threshold value.
  • the simulation time step may be set to 0.033 seconds for all experiments. The time taken to meet the termination condition may vary depending on the physical property parameters. Some parameters may tend to delay the time to meet the termination condition.
  • FIG. 5 is a block diagram illustrating a simulation device according to various embodiments.
  • Simulation device 500 may be a server.
  • the simulation device 500 according to another embodiment may be a user terminal (eg, mobile device, desktop, laptop, personal computer, etc.).
  • a simulation device 500 according to an embodiment may include a user interface 510, a processor 530, a display 550, and a memory 570.
  • the user interface 510 , processor 530 , display 550 , and memory 570 may be connected to each other through a communication bus 505 .
  • the user interface 510 receives a user input for each of a plurality of physical property parameters.
  • the user interface 510 may receive a user input for a physical property parameter through, for example, a keyboard, a stylus pen, a mouse click, and/or a touch input through a user's finger.
  • the display 550 displays simulation results of the 3D cloth generated by the processor 530 .
  • the simulation device 500 may output at least one of the first area 330 , the second area 310 , and the third area 350 on the display 550 .
  • the memory 570 may store simulation results of the generated 3D cloth. In addition, the memory 570 may store various pieces of information generated during the process of the processor 530 described above. In addition, the memory 570 may store various data and programs. Memory 570 may include volatile memory or non-volatile memory. The memory 570 may include a mass storage medium such as a hard disk to store various types of data.
  • the processor 530 may perform at least one method described above with reference to FIGS. 1 to 3B or an algorithm corresponding to at least one method.
  • the processor 530 may be a data processing device implemented in hardware having a circuit having a physical structure for executing desired operations.
  • desired operations may include codes or instructions included in a program.
  • the processor 530 may include, for example, a Central Processing Unit (CPU), a Graphics Processing Unit (GPU), or a Neural Network Processing Unit (NPU).
  • the simulation device 500 implemented as hardware includes a microprocessor, a central processing unit, a processor core, a multi-core processor, and a multiprocessor ( multiprocessor), Application-Specific Integrated Circuit (ASIC), and Field Programmable Gate Array (FPGA).
  • the processor 530 may execute a program and control the simulation device 500 .
  • Program codes executed by the processor 530 may be stored in the memory 570 .
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
  • Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device.
  • Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. may be permanently or temporarily embodied in Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Analysis (AREA)

Abstract

일 실시예에 따르면 복수의 물성 파라미터들을 수신하는 단계; 복수의 물성 파라미터들을 신경망- 상기 신경망은 상기 복수의 물성 파라미터들과 3차원 천이 오브젝트에 착장된 상태의 메쉬 사이의 상관 관계가 학습된-에 인가함으로써, 메쉬를 생성하는 단계; 및 생성된 메쉬에 기초하여 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성하는 단계를 포함할 수 있다.

Description

3차원 천의 착장 시뮬레이션 방법 및 장치
아래 실시예들은 3차원 천의 착장 시뮬레이션 방법 및 장치들에 관한 것이다.
의상(garment)은 사람이 착용한 경우에 3차원으로 보이지만, 실제로는 2차원의 패턴(pattern)에 따라 재단된 천(fabric) 조각의 조합에 해당하므로 2차원에 가깝다. 의상의 재료가 되는 천은 유연하기 때문에 의상을 착용한 사람의 신체 모양이나 움직임에 따라 그 형태가 다양하게 변화될 수 있다.
3차원 의상 시뮬레이션에서 사용자가 원하는 천에 대한 최적의 시뮬레이션 물성 파라미터를 찾는 것일 수 있다. 최적의 물성 파라미터는 실제 천과 최대한 유사한 착장 시뮬레이션 결과를 출력하는 물성 파라미터를 의미할 수 있다. 그러나 착장된 3차원 천의 형상의 변화와 물성 파라미터 간의 관계는 매우 비선형적이고, 직관적이지 않을 수 있다. 따라서 의상 디자인 전문가에게도 천에 대한 최적의 물성 매개변수를 찾는 것은 매우 어려울 수 있다.
따라서 실제 천의 형상과 최대한 유사한 착장 시뮬레이션 결과를 획득하기 위해, 최적의 물성 파라미터를 찾기 위한 물성 파라미터 튜닝 과정이 필요할 수 있다. 물성 파라미터의 튜닝을 위해 사용자에게 최적화된 사용자 인터페이스와, 조정된 물성 파라미터에 대응하는 착장 시뮬레이션 결과를 정확하게 출력하기 위한 신경망 관련 기술에 대한 관심이 높아지고 있다.
전술한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
일 측에 따른 3차원 천(fabric)의 착장(draping) 시뮬레이션 방법은 복수의 물성(physical property) 파라미터들을 수신하는 단계; 상기 복수의 물성 파라미터들을 신경망- 상기 신경망은 상기 복수의 물성 파라미터들과 상기 3차원 천이 오브젝트에 착장된(draped) 상태의 메쉬 사이의 상관 관계가 학습된-에 인가함으로써, 상기 메쉬를 생성하는 단계; 및 상기 생성된 메쉬에 기초하여 상기 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성하는 단계를 포함한다.
상기 물성 파라미터들은 상기 복수의 물성 파라미터들의 사용자 입력을 수신할 수 있는 사용자 인터페이스(user interface)인 제1 영역을 통해 입력된 파라미터들일 수 있다.
상기 복수의 물성 파라미터들을 수신하는 단계는 사용자로부터 원단 정보를 수신하는 단계; 및 상기 원단 정보에 기초하여, 상기 원단 정보에 매칭되는 상기 복수의 물성 파라미터들을 획득하는 단계를 포함할 수 있다.
상기 원단 정보는 원단의 유형, 원단의 혼용률, 및 원단의 무게 중 적어도 하나를 포함할 수 있다.
상기 원단 정보를 수신하는 단계는 상기 사용자로부터 원단의 텍스처를 포함하는 이미지를 수신하는 단계; 및 상기 원단의 텍스처에 기초하여, 상기 원단 정보를 획득하는 단계를 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 방법은 상기 복수의 물성 파라미터들을 수신하는 단계 이전에, 상기 물성 파라미터들 간의 상관 관계 정보에 기초하여 상기 물성 파라미터들의 사용자 입력에 제약 조건(constraint)을 설정하는 단계를 더 포함할 수 있다.
상기 상관 관계 정보는 상기 천에 대응하는 물성 파라미터들의 분포에 기초하여 결정된 정보일 수 있다.
상기 상관 관계 정보는 적어도 3개 이상의 물성 파라미터들 간의 상관 관계를 2개의 파라미터 간의 상관 관계로 변환한 정보일 수 있다.
상기 물성 파라미터들은 신축성(stretch) 파라미터, 굽힘력(bending) 파라미터 및 밀도(density) 파라미터 중 적어도 하나를 포함할 수 있다.
상기 신축성 파라미터는 위사 방향 신축성(weft stretch force) 파라미터, 경사 방향 신축성(wrap stretch force) 파라미터 및 전단력(shear force) 파라미터 중 적어도 하나를 포함할 수 있다.
상기 굽힘력 파라미터는 위사 방향 굽힘력(weft banding-force) 파라미터, 경사 방향 굽힘력(wrap banding-force) 파라미터 및 대각선 방향 굽힘력(diagonal-banding force) 파라미터 중 적어도 하나를 포함할 수 있다.
상기 메쉬를 생성하는 단계는 상기 복수의 물성 파라미터들을 신경망에 인가함으로써, 상기 3차원 천이 오브젝트에 착장된 상태의 윤곽선 정보를 생성하는 단계; 및 상기 윤곽선 정보에 기초하여 상기 메쉬를 생성하는 단계를 포함할 수 있다.
상기 윤곽선 정보는 상기 3차원 천이 오브젝트에 착장된 상태에서 천의 윤곽선에 대응하는 3차원 좌표를 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 결과를 생성하는 단계는 상기 오브젝트의 상부면에 대응하는 천의 일부분에 제1 메쉬를 생성하는 단계; 상기 상부면의 외곽선을 따라 제2 메쉬를 생성하는 단계; 및 윤곽선과 상기 제2 메쉬 사이에 제3 메쉬를 생성하는 단계를 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 방법은 상기 시뮬레이션 결과가 표시되는 제2 영역을 통해 상기 3차원 천의 착장 시뮬레이션 결과를 출력하도록 하는 단계를 더 포함할 수 있다. 상기 3차원 천의 착장 시뮬레이션 결과는 상기 3차원 천의 물성 관련 메쉬 데이터, 상기 3차원 천의 질감 관련 노멀 맵 데이터, 및 상기 3차원 천의 시각속성 관련 그래픽 데이터 중 적어도 하나를 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 결과는 상기 3차원 천의 두께 데이터 및 상기 3차원 천의 텍스처 데이터 중 적어도 하나를 상기 메쉬 데이터에 결합 가능한 형태로 더 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 방법은 제3 영역을 통해 상기 시뮬레이션 결과에 대응하는 이미지 데이터-상기 이미지 데이터는 오브젝트에 착장된 천을 촬영한 이미지 데이터를 포함하는-를 출력하도록 하는 단계를 더 포함할 수 있다.
상기 3차원 천의 착장 시뮬레이션 방법은 제약 조건을 상기 복수의 물성 파라미터들을 입력하기 위한 슬라이드 바에 표시하는 단계를 더 포함할 수 있다.
상기 복수의 물성 파라미터들을 수신하는 단계는 사용자 단말을 통하여 입력되는 상기 복수의 물성 파라미터들을 네트워크를 통하여 수신하는 단계를 포함할 수 있다. 상기 시뮬레이션 결과는 상기 네트워크를 통하여 상기 사용자 단말로 전송될 수 있다.
일 측에 따른 3차원 천의 착장 시뮬레이션을 하기 위한 시뮬레이션 장치는 사용자 인터페이스; 메모리; 및 프로세서를 포함한다. 상기 프로세서는 복수의 물성 파라미터들을 수신하고, 상기 복수의 물성 파라미터들을 신경망- 상기 신경망은 상기 복수의 물성 파라미터들과 상기 3차원 천이 오브젝트에 착장된(draped) 상태의 메쉬 사이의 상관 관계가 학습된-에 인가함으로써, 상기 메쉬를 생성하고, 그리고 상기 생성된 메쉬에 기초하여, 상기 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성한다.
일 측에 따르면, 물성 파라미터들과 3차원 천이 오브젝트에 착장된 상태의 윤곽선 사이의 상관 관계를 학습한 신경망을 사용함으로써, 물성 파라미터의 변화에 따른 착장 시뮬레이션 결과의 변화를 즉각적으로 확인할 수 있다.
일 측에 따르면, 학습된 신경망을 이용함으로써, 조정된 물성 파라미터에 대응하는 착장 시뮬레이션 결과를 바로 확인할 수 있다.
일 측에 따르면, 물성 파라미터 튜닝을 위한 사용자 인터페이스를 화면에 출력함으로써, 사용자는 물성 파라미터를 쉽게 조정할 수 있다.
일 측에 따르면, 사용자 인터페이스에는 물성 파라미터와 착장 시뮬레이션 결과 간의 상관 관계를 이해하는 데 도움이 될 수 있다.
일 측에 따르면, 물성 파라미터들 간의 상관 관계 정보에 기초하여, 물성 파라미터 입력에 제한 조건을 설정함으로써, 사용자는 물성 파라미터 간의 상관 관계가 고려된 착장 시뮬레이션 결과를 획득할 수 있다.
도 1은 일 실시예에 따른 3차원 천의 착장 시뮬레이션 방법을 설명하기 위한 순서도이다.
도2는 일 실시예에 따른 3차원 천의 착장 시뮬레이션 결과가 생성되는 과정을 설명하기 위한 도면이다.
도 3a는 일 실시예에 따른 물성 파라미터 튜닝을 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 3b는 물성 파라미터들의 사용자 입력에 제약 조건이 설정된 화면을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 3차원 천이 오브젝트에 착장되는 과정을 설명하기 위한 도면이다.도 5는 다양한 실시예에 따른 시뮬레이션 장치를 설명하기 위한 블록도이다.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간에"와 "바로~간에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 3차원 천의 착장 시뮬레이션 방법을 설명하기 위한 순서도이다.
일 실시예에 따른 물성 파라미터를 결정하는 하나의 방법은 다음과 같을 수 있다. 먼저 천의 물성을 측정하여 물성 파라미터의 초기값(initial value)을 구한다. 이를 위해 대부분의 3차원 의상 시뮬레이션 소프트웨어에는 자체 시뮬레이터 전용 측정 장치가 포함될 수 있다. 그러나 해당 측정 장치에서 획득한 물성 파라미터 초기값의 정확도는 실제 제품 개발에 사용하기에 충분하지 않은 경우가 존재할 수 있다. 예를 들어, 물성 파라미터의 초기값이 적용된 3차원 천의 착장 시뮬레이션 결과와 실제 천의 착장 결과는 충분히 유사하지 않을 수 있다. 따라서 다음 단계인 물성 파라미터 튜닝이 필요할 수 있다. 물성 파라미터 튜닝은 기본적으로 물성 파라미터를 조정하는 과정을 반복하는 것을 의미할 수 있다. 예를 들어, 물성 파라미터 조정 과정은 사용자의 직관에 따라 물성 파라미터를 조정하고, 조정된 물성 파라미터에 대응하는 3차원 천의 착장 결과를 시뮬레이션하고 확인하는 과정을 포함할 수 있다. 하지만, 3차원 천의 착장 시뮬레이션을 완료하는데 최소 수십 초가 소요될 수 있다. 따라서, 하나의 특정 천에 대해 물성 파라미터 조정 작업을 완료하는 데 수십 분에서 한 시간 이상 소요될 수 있다. 따라서, 물성 파라미터 튜닝 과정에서 3차원 천의 착장 시뮬레이션에 소요되는 시간을 감축시키는 것이 중요할 수 있다.
물성 파라미터는 측정 장치를 통해 획득된 측정값들을 알고리즘을 이용하여 변환한 파라미터를 포함할 수 있다. 예를 들어, 사용자는 특정 위치에 놓인 천 샘플의 굽힘 각도를 측정할 수 있다. 시뮬레이션 장치는 굽힘 각도에 기초하여 물성 파라미터인 굽힘력 파라미터를 산출할 수 있다.
또한, 물성 파라미터는 머신 러닝을 이용하여 추정될 수도 있다. 머신 러닝 접근 방법은 최적화 방법과 지도 학습 방법을 포함할 수 있다. 최적화 방법은 타겟 착장과 충분히 유사한 착장 시뮬레이션 결과를 재생산할 때까지 물성 파리미터를 조정하면서 최적의 값을 찾는 방법일 수 있다. 지도 학습 방법은 물성 파라미터와 착장 형상 간의 상관 관계를 학습시키는 방법을 의미할 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)(예, 도 5의 시뮬레이션 장치(500))는 복수의 물성(physical property) 파라미터들을 수신(110)할 수 있다. 물성 파라미터는 천의 물리적 성질을 나타내는 파라미터를 의미할 수 있다. 물성 파라미터는 신축성 파라미터, 굽힘력 파라미터 및 밀도 파라미터 중 적어도 하나를 포함할 수 있다. 신축성은 가로, 세로 및 대각선 방향 중 적어도 하나의 신축에 대한 반발력을 의미할 수 있다. 신축은 천의 늘어나고 줄어드는 성질을 의미할 수 있다. 굽힘력은 천의 굽혀짐에 대한 반발력을 의미할 수 있다. 밀도는 해당 천의 질량을 해당 직물의 전체 면적으로 나눔으로써 측정될 수 있다.
신축성 파라미터는 위사 방향 신축성(weft stretch force) 파라미터, 경사 방향 신축성(warp stretch force) 파라미터 및 전단력(shear force) 파라미터 중 적어도 하나를 포함할 수 있다. 전단력은 크기가 같고 방향이 서로 반대되는 힘들이 어떤 물체에 대해서 동시에 서로 작용할 때 그 대상 물체 내에서 면을 따라 평행하게 작용하는 힘을 의미할 수 있다. 위사 방향 신축성 파라미터는 위사 방향 신축성 레스트(stretch rest) 파라미터 또는 위사 방향 신축성 슬로프(stretch slope) 파라미터 중 적어도 하나를 포함할 수 있다. 경사 방향 신축성 파라미터는 경사 방향 신축성 레스트 파라미터 또는 경사 방향 신축성 슬로프 파라미터 중 적어도 하나를 포함할 수 있다. 전단력 파라미터는 우측 전단력 파라미터 또는 좌측 전단력 파라미터 중 적어도 하나를 포함하거나 두 값을 모두 포함할 수 있다. 우측 전단력 파라미터는 우측 전단력의 신축성 레스트 또는 우측 전단력의 신축성 슬로프 중 적어도 하나를 포함할 수 있다. 좌측 전단력 파라미터는 좌측 전단력의 신축성 레스트 또는 우측 전단력의 신축성 슬로프 중 적어도 하나를 포함할 수 있다.
굽힘력 파라미터는 위사 방향 굽힘력(weft banding-force) 파라미터, 경사 방향 굽힘력(wrap banding-force) 파라미터, 우측 전단력 굽힘력 파라미터, 좌측 전단력 굽힘력 파라미터 및 대각선 방향 굽힘력(diagonal-banding force) 파라미터 중 적어도 하나를 포함할 수 있다. 위사(weft)는 직물의 가로 방향을 실을 나타내며, '씨실'이라고도 부를 수 있다. 또한, '경사(warp)'는 직물의 세로 방향의 실을 나타내며, '날실'이라고도 부를 수 있다.
본 명세서에서 천은 직물, 편물 또는 펠트로 만들어진 것일 수 있다. 예를 들어, 천은 천연 섬유 직물(natural fiber fabrics), 합성 섬유 직물(synthetic fiber fabrics), 면(cotton), 린넨(linen), 울(wool), 폴리에스터(polyester), 나일론(nylon), 엘라스틴(elastane) 등의 혼합사 직물(blended yarn fabrics), Dobby/Jacquard, Jersey, Dobby, Jacquard/Brocade, Plain, Double Knit/Interlock, Clip Jacquard, Mesh/Tulle, Twill, Lace, Rib, Crepe/CDC, Corduroy, Challis, Chiffon, Vegan Leather, Flannel, Denim, Velvet, Tweed, Satin, Dewspo, PVC, Raschel, Double Weave, Eyelet, Fleece, Gauze/Double Gauze, Vegan Fur, Chambray/Oxford, Sequin, Tricot, French Terry, Organza, Vegan Suede, Ponte, Polar Fleece, Neoprene/Scuba, Ripstop, Seersucker, Boucle, Poplin, Voile, Canvas, Velour, Georgette, Pique, TRS, Taffeta, Melton/Boiled, Loop Terry, Crepe Jersey, Waffle, Sherpa, Pointelle, Memory, Plaid, Tyvek, 또는 Vegan Leather, Vegan Fur 중 적어도 하나를 포함할 수 있다.
물성 파라미터들은 복수의 물성 파라미터들의 사용자 입력을 수신할 수 있는 사용자 인터페이스(user interface)인 제1 영역을 통해 입력된 파라미터들을 포함할 수 있다. 도 3a을 참조하여 설명하면 제1 영역(330)에는 복수의 물성 파라미터들이 표시될 수 있다. 또한, 제1 영역(330)에는 물성 파라미터들의 사용자 입력을 수신할 수 있는 입력 수단이 표시될 수 있다. 제1 영역(330)에는 위사 방향 굽힘력 파라미터(331), 경사 방향 굽힘력 파라미터(332), 대각선 방향 굽힘력 파라미터(333)(예, 대각선 방향 굽힘력 파라미터는 Bending Bias로 표현될 수도 있다.), 위사 방향 신축성 파라미터(334), 경사 방향 신축성 파라미터(335), 전단력 파라미터(336) 및 밀도(337) 중 적어도 하나를 포함할 수 있다. 사용자는 물성 파라미터 입력 수단(341)을 이용하여, 물성 파라미터 값을 제1 영역(330)을 통해 입력할 수 있다. 물성 파라미터 입력 수단(341)을 통해 조정한 물성 파라미터 값은 해당 물성 파라미터에 대응하는 값을 출력하는 서브 영역(342)에 표시될 수 있다.
물성 파라미터와 3차원 천이 오브젝트에 착장된 상태의 윤곽선 사이의 상관 관계는 로그 선형(log-linear) 관계일 수 있다. 따라서, 도 3a의 제1 영역(330)에 표시된 물성 파라미터의 입력 수단은 로그 슬라이더(logarithmic slider)일 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 물성 파라미터들 간의 상관 관계 정보에 기초하여 물성 파라미터들의 사용자 입력에 제약 조건을 설정할 수 있다. 실제 천에 대응하는 각각의 물성 파라미터들은 긴밀한 상관 관계가 존재할 수 있다. 예를 들어, 위사 방향 신축성이 10인 경우, 경사 방향 신축성이 가질 수 있는 값의 범위가 8-12일 수 있다. 또 다른 예를 들어, 위사 방향 신축성이 10인 경우, 위사 방향 굽힘력이 가질 수 있는 범위는 3-5일 수 있다. 따라서, 물성 파라미터들 간의 상관 관계 정보에 기초하여, 사용자가 입력할 수 있는 물성 파라미터에 제한 조건을 설정함으로써, 사용자는 물성 파라미터들 간의 상관 관계를 모르더라도, 시뮬레이션 장치(500)가 설정한 제한 조건을 통해, 실제 착장 결과와 유사한 3차원 천의 착장 시뮬레이션 결과를 획득할 수 있다.
일 실시예에 따른 상관 관계 정보는 천에 대응하는 물성 파라미터들의 분포에 기초하여 결정된 정보일 수 있다. 예를 들어, 천이 천연 섬유 직물일 경우와 합성 섬유 직물일 경우, 물성 파라미터들의 분포가 다를 수 있다. 따라서, 시뮬레이션 장치(500)는 물성 파라미터들의 분포에 기초하여 물성 파라미터들 간의 상관 관계 정보를 생성할 수 있다.
일 실시예에 따른 상관 관계 정보는 적어도 3개 이상의 물성 파라미터들 간의 상관 관계를 2개의 파라미터 간의 상관 관계로 변환한 정보일 수 있다. 예를 들어, 물성 파라미터가 8개 존재하는 경우, 특정 천의 물성은 8차원으로 표현될 수 있다. 시뮬레이션 장치는 차원 감소 방법을 통해 8차원으로 표현된 물성을 2차원으로 감소할 수 있다. 예를 들어, 시뮬레이션 장치(500)는 물성 파라미터 8개의 상관 관계를 파라미터 2개의 상관 관계로 변환할 수 있다. 차원 감소 방법은 제한이 아닌 예로서, 선형 방법, 비선형 방법 또는 딥러닝 방법 중 적어도 하나일 수 있다. 시뮬레이션 장치(500)는 선형 방법, 비선형 방법 또는 딥러닝 방법 중 적어도 하나를 통해 3개 이상의 물성 파라미터들 간의 상관 관계를 2개의 파라미터 간의 상관 관계로 변환할 수 있다. 선형 방법은 Principal Component Analysis 또는 Linear Discriminant Analysis 중 적어도 하나를 포함할 수 있다. 비선형 방법은 kernel principal component analysis (kernel PCA) 또는 t-distributed stochastic neighbor embedding (t-SNE) 중 적어도 하나를 포함할 수 있다. 딥러닝 방법은 오토 인코더 또는 Variational Autoencoders (VAEs) 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면, 사용자에게 원단 정보(예를 들어, 원단의 유형, 원단의 혼용률, 원단의 무게 등)를 입력 받고, 입력된 원단 정보에 매칭되는 복수의 물성 파라미터들이 획득될 수 있다. 원단 정보에 매칭되는 복수의 물성 파라미터들은 룩업 테이블 형태 등의 데이터베이스로부터 획득되거나, 데이터베이스에 저장된 정보를 처리(예를 들어, 인터폴레이션 등)하여 획득될 수 있다. 또는, 원단 정보에 매칭되는 복수의 물성 파라미터들은 기 학습된 신경망에 의하여 추론될 수도 있다.
일 실시예에 따르면, 사용자에게 원단의 텍스처를 포함하는 이미지(예를 들어, 원단을 (근접)촬영한 이미지 등)를 입력 받고, 원단의 텍스처에 기초하여 원단 정보가 획득될 수도 있다. 예를 들어, 이미지에 포함된 텍스처의 직조를 기반으로 원단의 유형이 추정될 수 있다. 원단 정보가 획득되면, 원단 정보에 매칭되는 복수의 물성 파라미터들이 획득될 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 복수의 물성 파라미터들을 신경망에 인가함으로써, 3차원 천이 오브젝트에 착장된 상태의 메쉬를 생성(120)할 수 있다. 신경망은 복수의 물성 파라미터들과 3차원 천이 오브젝트에 착장된(draped) 상태의 메쉬 사이의 상관 관계가 학습된 신경망을 포함할 수 있다. 오브젝트는 천의 착장 시뮬레이션에 사용되는 물체를 의미할 수 있다. 오브젝트는 제한이 아닌 예로서, 3차원 원통형 실린더일 수 있다. 본 명세서에서 실린더는 원통형 이외에도 다른 여러 형태가 될 수 있다. 또 다른 예를 들어, 오브젝트는 3차원 아바타일 수도 있다. 오브젝트가 3차원 아바타인 경우, 시뮬레이션 장치(500)는 천으로 제작된 의상(garment)을 3차원 아바타에 착장시킨 시뮬레이션 결과를 생성할 수도 있다. 의상을 3차원 아바타에 착장시킨 시뮬레이션 결과를 생성하기 위하여, 시뮬레이션 장치(500)는 mesh-net을 사용할 수도 있다.
신경망은 완전 연결 레이어(fully connected layer)를 포함할 수 있다. 제한이 아닌 예로서, 본 명세서에서의 신경망에 포함된 입력 레이어와 출력 레이어에는 각각 7(물성 파라미터의 개수)개의 노드와 732(3차원 윤곽선 좌표의 개수)개의 노드가 포함될 수 있다. 제한이 아닌 예로서, 신경망은 5개의 히든 레이어(hidden layer)를 포함할 수 있으며, 각 히든 레이어의 노드 수는 각각 512, 4096, 4096, 4096, 8192일 수 있다. 제한이 아닌 예로서, 신경망은 출력 레이어를 제외한 각 레이어에 대해 활성화 함수(예, ReLU)를 사용할 수 있다.
신경망을 학습시키기 위해서는 학습 데이터가 필요할 수 있다. 시뮬레이션 장치(500)는 학습 데이터를 수집하기 위해 물성 파라미터를 무작위로 샘플링한 다음에, 샘플링된 물성 파라미터에 기초하여 시뮬레이션을 실행할 수 있다. 시뮬레이션 장치(500)는 샘플링에서 물리적으로 가능하지 않거나 천으로 간주될 수 없는 잘못된 물성 파라미터를 제외할 수 있다. 이러한 유효하지 않은 물성 파라미터는 시뮬레이션에서 다이버전스 문제(divergence problem)를 일으킬 수 있으며 물성 파라미터의 공간 영역을 불필요하게 확장하여 신경망의 학습을 어렵게 할 수 있다. 이러한 위험을 피하기 위해 검증된 물성 파라미터 세트의 확률 분포에 따라 물성 파라미터를 샘플링 할 수 있다. 시뮬레이션 장치(500)는 복수의 유형의 천에 대해 검증된 물성 파라미터 세트를 저장하고 있을 수 있다. 예를 들어, 400개의 물성 파라미터에는 5개의 컴포넌트가 있는 가우시안 혼합 모델(GMM)이 적합할 수 있다. 시뮬레이션 장치(500)는 가우시안 혼합 모델의 확률 분포에 따라 큰 크기의 물성 파라미터 샘플링 할 수 있다.
신경망에 인가되는 입력 데이터인 물성 파라미터들은 로그(log) 변환에 의해 정규화될 수 있다. 예를 들어, 물성 파라미터들은 [0, 1] 범위에서 조정될 수 있다. 대수변환이 일어나는 이유는 착장 형상의 변화와 물성 파라미터 변화의 상관관계가 로그 선형 관계에 있다는 선행연구 결과에 근거할 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 3차원 천의 메쉬 자체를 출력 데이터로 정의하여 신경망을 학습시킬 수 있다. 하지만 3차원 천의 메쉬 데이터를 학습 데이터로 사용하면 신경망이 과도하게 복잡해지고 결과적으로 예측 정확도에 부정적인 영향을 미칠 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 3차원 천의 윤곽선(예, 가장자리 곡선)을 출력 데이터로 정의하여, 신경망을 학습시킬 수 있다. 3차원 천의 윤곽선을 출력 데이터로 정의한 이유는 3차원 천의 착장 시뮬레이션 결과가 3차원 천의 윤곽선으로부터 추정될 수 있는 가정(assumption)이 있기 때문이다. 이러한 가정이 합리적인 이유는 주름진 천은 신경망 학습의 고려 대상에서 제외되었으며, 중력 이외의 외력은 고려되지 않기 때문이다. 제한이 아닌 예로서, 윤곽선에 244개의 균일하게 샘플링 된 3차원 점이 존재하는 경우, 3차원 점이 시퀀스로 표현되므로 윤곽선은 732차원 벡터로 표현될 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 가우시안 혼합 모델을 사용하여 복수개의 물성 파라미터 세트(예, 100,000개의 세트)를 샘플링 할 수 있다. 그 다음, 시뮬레이션 장치(500)는 각 샘플링 된 물성 파라미터 세트를 이용하여 3차원 천의 착장 시뮬레이션을 실행할 수 있다. 그리고 시뮬레이션 장치(500)는 일정 시간 후에도 시뮬레이션 결과가 하나의 형상으로 수렴되지 않거나 최종 착장 형태가 일반적인 천 형태가 아닌 것으로 판단되는 경우(예: 너무 처지거나 땅에 떨어지는 경우)를 학습 데이터에서 제거할 수 있다. 제한이 아닌 예로서, 최종적으로 신경망의 학습에 사용되는 학습 데이터의 크기는 92,600일 수 있다. 제한이 아닌 예로서, 시뮬레이션 장치(500)는 이러한 방식으로 획득한 데이터의 80%를 신경망 학습에 사용하고 나머지 20% 데이터를 반으로 나누어 각각 테스트 데이터와 검증 데이터로 사용할 수 있다. 제한이 아닌 예로서, 시뮬레이션 장치(500)는 신경망을 평균 제곱 오차 손실 함수(mean square error loss function)와 Adam 옵티마이저(Adam optimizer)를 사용하여 300 에폭(epoch) 동안 학습시킬 수 있다. 제한이 아닌 예로서, 시뮬레이션 장치(500)는 신경망의 예측 오차를 직관적으로 이해하기 위해 각 예측의 오차를 밀리미터 단위로 계산할 수 있다.
[수학식 1]
Figure PCTKR2022020679-appb-img-000001
수학식 1 에서
Figure PCTKR2022020679-appb-img-000002
및
Figure PCTKR2022020679-appb-img-000003
는 각각 실제 윤곽선과 예측된 윤곽선의 244(= n) 샘플링된 점일 수 있다.
윤곽선 정보는 3차원 천이 오브젝트에 착장된 상태에서 천의 윤곽선에 대응하는 3차원 좌표를 포함할 수 있다. 윤곽선에 대응하는 3차원 좌표는 오브젝트(예, 원통형 실린더와 같은 3차원 기하학 물체) 위에 놓인 상태의 천의 윤곽선에 대응하는 3차원 점들의 좌표를 포함할 수 있다. 시뮬레이션 장치(500)는 오브젝트 위에 놓인 천의 3차원 윤곽선을 포함하는 깊이 영상 또는 3차원 스캔 영상으로부터 3차원 천의 윤곽선에 대응하는 3차원 점들을 샘플링하고, 샘플링 된 3차원 점들의 좌표를 획득하는 과정을 통해 윤곽선 정보를 생성할 수 있다.
천의 적어도 일부 영역은 오브젝트 위에 놓여 일부 영역은 오브젝트에 의해 지지되고, 나머지 영역은 오브젝트에 의해 지지되지 않으므로 중력의 영향을 받아 아래로 흘러내릴 수 있다. 따라서, 오브젝트에 착장된 3차원 천의 윤곽선은 오브젝트에 의해 지지되지 않아 아래로 흘러내린 천의 나머지 영역의 외곽선에 의해 형성될 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 생성된 메쉬에 기초하여 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성(130)할 수 있다. 3차원 천의 착장 시뮬레이션 결과는 도 2를 참조하여 구체적으로 설명된다. 도 2에서는 시뮬레이션 결과가 생성되는 과정이 단계적으로(200, 201, 202) 도시되어 있다. 일 실시예에 따른 시뮬레이션 장치(500)는 신경망을 이용하여, 신경망에 인가된 물성 파라미터들에 대응하는 윤곽선 정보를 생성할 수 있다. 그리고 시뮬레이션 장치(500)는 윤곽선 정보에 포함된 정보에 기초하여 오브젝트에 착장된 3차원 천의 윤곽선(210)을 생성할 수 있다. 일 실시예에 따른 시뮬레이션 장치(500)는 오브젝트의 상부면에 대응하는 천의 일부분(230)에 제1 메쉬를 생성할 수 있다. 제1 메쉬는 제한이 아닌 예로서, 원형 메쉬(circular mesh)일 수 있다. 시뮬레이션 장치(500)는 천의 두께에 기초하여 제1 메쉬의 위치를 오브젝트의 상부면보다 높게 설정할 수 있다. 일 실시예에 따른 시뮬레이션 장치(500)는 상부면의 외곽선을 따라 제2 메쉬(250)를 생성할 수 있다. 제한이 아닌 예로서, 오브젝트가 도 2에 도시된 바와 같이 원통형 실린더인 경우, 제2 메쉬(250)는 링-형태 삼각 스트립 메쉬(ring-shaped triangular strip mesh)일 수 있다. 이 때 제2 메쉬(250)의 폭은 4mm일 수 있다. 따라서, 오브젝트가 원통형 실린더인 경우, 오브젝트 상부면은 원형이 되고, 외곽선도 원형(이하에서는 제1 원)이 될 수 있다. 그리고 시뮬레이션 장치는 원형인 외곽선으로부터 4mm 떨어진 위치에 다른 원(이하에서는 제2 원)을 생성한 후, 제1 원과 제2 원 사이에 제2 메쉬(250)를 생성할 수 있다. 이 경우, 제한이 아닌 예로서, 제2 원의 위치는 제1 원보다 4mm 아래 위치할 수 있다. 시뮬레이션 장치(500)는 제2 메쉬(250)를 오브젝트의 상부면의 외곽선 주변의 착장을 스무딩(smoothing)하기 위해 사용할 수 있다. 일 실시예에 따른 시뮬레이션 장치(500)는 윤곽선(210)과 제2 메쉬(250) 사이에 제3 메쉬(270)를 생성할 수 있다. 제한이 아닌 예로서, 오브젝트가 원통형 실린더인 경우, 시뮬레이션 장치(500)는 윤곽선(210)과 제2 원 사이에 제3 메쉬(270)를 생성할 수 있다. 따라서, 시뮬레이션 장치(500)는 최종적으로 오브젝트에 3차원 천이 착장된 시뮬레이션 결과(202)를 생성할 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 시뮬레이션 결과가 표시되는 제2 영역을 통해 3차원 천의 착장 시뮬레이션 결과를 출력하도록 할 수 있다. 시뮬레이션 장치(500)가 서버인 경우, 시뮬레이션 장치(500)는 사용자 단말로 하여금 3차원 천의 착장 시뮬레이션 결과를 제2 영역을 통해 출력하도록 할 수 있다. 시뮬레이션 장치(500)가 사용자 단말인 경우, 시뮬레이션 장치(500)는 제2 영역을 통해 3차원 천의 착장 시뮬레이션 결과를 출력할 수 있다. 도 3a를 참조하여 설명하면, 제2 영역(310)에서는 3차원 천의 착장 시뮬레이션 결과가 출력될 수 있다. 제2 영역(310)은 사용자 인터페이스의 일 부분일 수 있다. 사용자는 제1 영역(330)을 통해 입력된 물성 파라미터들에 대응하는 3차원 천의 착장 시뮬레이션 결과를 제2 영역(310)을 통해 볼 수 있으므로, 물성 파라미터 튜닝을 원활하게 할 수 있다. 시뮬레이션 장치(500)는 제1 영역(330)을 통해 입력된 물성 파라미터 값을 반영하여 제2 영역(310)에서 3차원 천의 착장 시뮬레이션 결과를 출력할 수 있다.
일 실시예에 따르면, 3차원 천의 착장 시뮬레이션 결과는 3차원 천의 물성 관련 메쉬 데이터, 3차원 천의 질감 관련 노멀 맵 데이터, 3차원 천의 시각속성 관련 그래픽 데이터, 또는 이들의 다양한 조합을 포함할 수 있다. 예를 들어, 가상 원단(virtual fabric)은 mesh(물성) + normal map(질감) + graphic (색상, 투명도, 반사 등 visual 속성)으로 구성될 수 있다.
일 실시예에 따르면, 3차원 천의 착장 시뮬레이션 결과는 3차원 천의 두께 데이터 및 3차원 천의 텍스처 데이터 중 적어도 하나를 메쉬 데이터에 결합 가능한 형태로 더 포함할 수 있다. 예를 들어, i)두께 및 ii)Texture를 mesh에 더하여 출력될 수 있다. 일 실시예에 따르면, 원단 정보에 포함된 두께 정보가 렌더링 시에 활용될 수 있다. 원단에 따라 통계 처리(예를 들어, 평균 등)된 두께가 자동으로 반영될 수 있으며, 사용자에 의하여 두께가 입력되거나, 변경될 수도 있다. 또한, 텍스처(normal + graphic)도 원단의 유형에 따라 자동으로 적용되거나, 사용자에 의하여 변경될 수 있다.
일 실시예에 따른 시뮬레이션 장치(500)는 사용자 인터페이스의 제3 영역(350)을 통해 시뮬레이션 결과에 대응하는 이미지 데이터를 출력하도록 할 수 있다. 이미지 데이터는 오브젝트에 착장된 천을 촬영한 이미지를 포함할 수 있다. 이미지 데이터는 물성 파라미터 튜닝 과정에서 사용자가 참고할 수 있는 데이터일 수 있다. 도 3a를 참조하여 설명하면, 시뮬레이션 장치(500)는 이미지 데이터를 제3 영역(350)을 통해 출력할 수 있다. 사용자는 이미지 데이터를 참고하여 입력된 물성 파라미터에 대응하는 3차원 천의 착장 시뮬레이션 결과가 실제 3차원 천의 착장 결과와 차이가 있는지 여부를 판단할 수 있다. 시뮬레이션 결과와 실제 3차원 천의 착장 결과의 차이가 있는 경우, 사용자는 제1 영역(330)을 통해 물성 파라미터를 조정함으로써, 실제 착장 결과와 동일하거나 유사한 실제 시뮬레이션 결과를 획득할 수 있다. 제한이 아닌 예로서, 제3 영역(350)에는 실제 착장 결과를 여러 시점에서 촬영한 이미지가 출력될 수 있다.
도2는 일 실시예에 따른 3차원 천의 착장 시뮬레이션 결과가 생성되는 과정을 설명하기 위한 도면이다.
도 2에 대한 구체적인 설명은 도 1에서 전술하였으므로, 본 도면에서의 구체적인 설명을 생략하도록 한다.
도 3a는 일 실시예에 따른 물성 파라미터 튜닝을 위한 사용자 인터페이스를 설명하기 위한 도면이다.
실시예들은, 배포 가능한 소프트웨어의 형태로 구현되거나, web을 통하여 서비스되는 형태로 구현될 수 있다. Web을 통하여 서비스되는 형태로 구현되는 경우, 서버에서 ML model이 구동되고, online에서 user input 받아서 web viewer로 결과를 보여주는 방식으로 서비스될 수 있다.
도 3a에서는 제1 영역(330), 제2 영역(310) 및 제3 영역(350) 이외에도 다른 정보 표시되는 영역이 표시될 수 있다. 또한, 제1 영역(330), 제2 영역(310) 및 제3 영역(350) 중 일부는 생략될 수도 있다,
물성 파라미터 튜닝의 정확도를 높이기 위해 서로 다른 착장 방법에 의해 생성된 대상 천의 착장 시뮬레이션 결과가 두 개 이상 고려되는 경우가 존재할 수 있다. 그러므로 시뮬레이션 장치(500)는 화면에 서로 다른 착장 시뮬레이션 결과를 동시에 출력할 수 있다. 사용자는 복수의 착장 방법에 의해 각각 생성된 착장 결과를 하나의 화면에서 볼 수 있으므로, 물성 파라미터 튜닝의 정확도를 높일 수 있다. 제한이 아닌 예로서, 시뮬레이션 장치(500)는 착장 시뮬레이션 결과를 출력하는 제2 영역(310)에 서로 다른 착장 방법에 의해 생성된 천의 착장 시뮬레이션 결과를 출력할 수 있다.
이외의 도 3a에 대한 구체적인 설명은 도 1에서 전술하였으므로, 본 도면에서의 구체적인 설명을 생략하도록 한다.
도 3b는 물성 파라미터들의 사용자 입력에 제약 조건이 설정된 화면을 설명하기 위한 도면이다.
도 3b의 화면(360)에서는 복수의 물성 파라미터들(361, 362, 363, 364, 365, 367, 368, 369, 370, 371, 372, 373)이 도시되어 있다. 그리고 시뮬레이션 장치(500)는 화면(360)에 표시된 슬라이드 바(380)를 통해 물성 파라미터 값을 입력 받을 수 있다.
일 실시예에 따른 시뮬레이션 장치는 제약 조건(381)을 물성 파라미터를 입력하기 위한 슬라이드 바(380)에 표시할 수 있다. 사용자는 제약 조건(381) 범위에서 물성 파라미터 값을 입력할 수 있다. 시뮬레이션 장치(500)는 물성 파라미터들 간의 상관 관계 정보에 기초하여 제약 조건을 결정할 수 있다. 그리고 시뮬레이션 장치(500)는 결정된 제약 조건에 기초하여 제약 조건을 슬라이드 바(380)에 표시할 수 있다.
도 4는 일 실시예에 따른 3차원 천이 오브젝트에 착장되는 과정을 설명하기 위한 도면이다.
본 명세서에서 '착장(draping)'은 물성 파라미터가 반영된 천이 오브젝트에 놓여 지는 과정일 수 있다. 나아가, 착장은 천의 물성 파라미터가 반영된 천에 의해 제작된 3차원 의상을 3차원 아바타 등에 입히는 과정일 수도 있다. 다양한 천의 특성을 분석하기 위해 다양한 착장 방법이 사용될 수 있다. 다양한 착장 방법 중 하나인 Cusick의 착장 방법은 섬유 산업에서 사용되는 가장 대표적인 방법일 수 있다. Cusick의 착장 방법은 30cm의 샘플을 직경 18cm의 원통형 실린더 상부면에 놓는 단계부터 시작할 수 있다. 원통형 실린더에 의해 지지되지 않은 천의 일 부분이 아래로 흘러내려 천의 착장 형태를 형성할 수 있다. 다른 착장 방법은 직경이 10cm인 원통형 실린더에 30cm X 30 cm 정사각형 천 샘플을 놓는 것일 수 있다. 또한, 시뮬레이션 장치(500)는 고해상도 천 모델을 구축하기 위해 정점을 무작위로 샘플링 할 수 있다. 5mm 간격으로 천의 샘플의 메쉬 모델에는 6,554개의 정점과 12,862개의 삼각형 면이 존재할 수 있다.
도 4에서는 원통형 실린더(410) 및 천(430)이 도시되어 있고, 초기 상태(400), 중간 상태(401, 402, 403) 및 최종 상태(404)가 도시되어 있다. 초기 상태(400)에서 최종 상태(404)로 갈수록 원통형 실린더(410)의 상부면과 닿지 않는 천의 일 부분들은 중력에 의해 점점 아래로 흘러내릴 수 있다. 최종 상태(404)를 결정하는 종료 조건은 정점에 대한 처리 속도가 특정 임계값 이하인 경우일 수 있다. 제한이 아닌 예로서, 시뮬레이션 시간 단계는 모든 실험에 대해 0.033초로 설정될 수 있다. 종료 조건을 충족하는 데 걸리는 시간은 물성 파라미터에 따라 다를 수 있다. 일부 파라미터는 종료 조건을 충족하는 시간을 지연시키는 경향이 있을 수 있다.
도 5는 다양한 실시예에 따른 시뮬레이션 장치를 설명하기 위한 블록도이다.
일 실시예에 따른 시뮬레이션 장치(500)는 서버일 수 있다. 다른 일 실시예에 따른 시뮬레이션 장치(500)는 사용자 단말(예, 모바일 장치, 데스크탑, 랩탑, 개인용 컴퓨터 등)일 수도 있다. 도5를 참조하면, 일 실시예에 따른 시뮬레이션 장치(500)는 사용자 인터페이스(510), 프로세서(530), 디스플레이(550), 및 메모리(570)를 포함할 수 있다. 사용자 인터페이스(510), 프로세서(530), 디스플레이(550), 및 메모리(570)는 통신 버스(505)를 통해 서로 연결될 수 있다.
사용자 인터페이스(510)는 복수의 물성 파라미터들 각각에 대한 사용자 입력을 수신한다. 사용자 인터페이스(510)는 예를 들어, 키보드, 스타일러스 펜, 마우스 클릭, 및/또는 사용자의 손가락을 통해 터치 입력 등을 통해 물성 파라미터에 대한 사용자 입력을 수신할 수 있다.
디스플레이(550)는 프로세서(530)에 의해 생성된 3차원 천의 시뮬레이션 결과를 표시한다. 시뮬레이션 장치(500)는 디스플레이(550)에서 제1 영역(330), 제2 영역(310) 및 제3 영역(350) 중 적어도 하나를 출력할 수 있다.
메모리(570)는 생성된 3차원 천의 시뮬레이션 결과를 저장할 수 있다. 이 밖에도, 메모리(570)는 상술한 프로세서(530)의 처리 과정에서 생성되는 다양한 정보들을 저장할 수 있다. 이 밖에도, 메모리(570)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(570)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(570)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
또한, 프로세서(530)는 도 1 내지 도 3b를 통해 전술한 적어도 하나의 방법 또는 적어도 하나의 방법에 대응되는 알고리즘을 수행할 수 있다. 프로세서(530)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 프로세서(530)는 예를 들어, CPU(Central Processing Unit), GPU(Graphics Processing Unit), 또는 NPU(Neural network Processing Unit)으로 구성될 수 있다. 예를 들어, 하드웨어로 구현된 시뮬레이션 장치(500)는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(530)는 프로그램을 실행하고, 시뮬레이션 장치(500)를 제어할 수 있다. 프로세서(530)에 의하여 실행되는 프로그램 코드는 메모리(570)에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media),- 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (21)

  1. 3차원 천(fabric)의 착장(draping) 시뮬레이션 방법에 있어서,
    복수의 물성(physical property) 파라미터들을 수신하는 단계;
    상기 복수의 물성 파라미터들을 신경망- 상기 신경망은 상기 복수의 물성 파라미터들과 상기 3차원 천이 오브젝트에 착장된(draped) 상태의 메쉬 사이의 상관 관계가 학습된-에 인가함으로써, 상기 메쉬를 생성하는 단계; 및
    상기 생성된 메쉬에 기초하여 상기 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성하는 단계
    를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  2. 제1항에 있어서,
    상기 물성 파라미터들은
    상기 복수의 물성 파라미터들의 사용자 입력을 수신할 수 있는 사용자 인터페이스(user interface)인 제1 영역을 통해 입력된 파라미터들인,
    3차원 천의 착장 시뮬레이션 방법.
  3. 제1항에 있어서,
    상기 복수의 물성 파라미터들을 수신하는 단계는
    사용자로부터 원단 정보를 수신하는 단계; 및
    상기 원단 정보에 기초하여, 상기 원단 정보에 매칭되는 상기 복수의 물성 파라미터들을 획득하는 단계;
    를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  4. 제3항에 있어서,
    상기 원단 정보는
    원단의 유형, 원단의 혼용률, 및 원단의 무게 중 적어도 하나를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  5. 제3항에 있어서,
    상기 원단 정보를 수신하는 단계는
    상기 사용자로부터 원단의 텍스처를 포함하는 이미지를 수신하는 단계; 및
    상기 원단의 텍스처에 기초하여, 상기 원단 정보를 획득하는 단계;
    를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  6. 제1항에 있어서,
    상기 복수의 물성 파라미터들을 수신하는 단계 이전에,
    상기 물성 파라미터들 간의 상관 관계 정보에 기초하여 상기 물성 파라미터들의 사용자 입력에 제약 조건(constraint)을 설정하는 단계
    를 더 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  7. 제6항에 있어서,
    상기 상관 관계 정보는
    상기 천에 대응하는 물성 파라미터들의 분포에 기초하여 결정된 정보인,
    3차원 천의 착장 시뮬레이션 방법.
  8. 제6항에 있어서,
    상기 상관 관계 정보는
    적어도 3개 이상의 물성 파라미터들 간의 상관 관계를 2개의 파라미터 간의 상관 관계로 변환한 정보인,
    3차원 천의 착장 시뮬레이션 방법.
  9. 제1항에 있어서,
    상기 물성 파라미터들은
    신축성(stretch) 파라미터, 굽힘력(bending) 파라미터 및 밀도(density) 파라미터 중 적어도 하나를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  10. 제1항에 있어서,
    상기 신축성 파라미터는
    위사 방향 신축성(weft stretch force) 파라미터, 경사 방향 신축성(wrap stretch force) 파라미터 및 전단력(shear force) 파라미터 중 적어도 하나를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  11. 제1항에 있어서,
    상기 굽힘력 파라미터는
    위사 방향 굽힘력(weft banding-force) 파라미터, 경사 방향 굽힘력(wrap banding-force) 파라미터 및 대각선 방향 굽힘력(diagonal-banding force) 파라미터 중 적어도 하나를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  12. 제1항에 있어서,
    상기 메쉬를 생성하는 단계는
    상기 복수의 물성 파라미터들을 신경망에 인가함으로써, 상기 3차원 천이 오브젝트에 착장된 상태의 윤곽선 정보를 생성하는 단계; 및
    상기 윤곽선 정보에 기초하여 상기 메쉬를 생성하는 단계;
    를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  13. 제12항에 있어서,
    상기 윤곽선 정보는
    상기 3차원 천이 오브젝트에 착장된 상태에서 천의 윤곽선에 대응하는 3차원 좌표를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  14. 제1항에 있어서,
    상기 3차원 천의 착장 시뮬레이션 결과를 생성하는 단계는
    상기 오브젝트의 상부면에 대응하는 천의 일부분에 제1 메쉬를 생성하는 단계;
    상기 상부면의 외곽선을 따라 제2 메쉬를 생성하는 단계; 및
    윤곽선과 상기 제2 메쉬 사이에 제3 메쉬를 생성하는 단계;
    를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  15. 제1항에 있어서,
    상기 시뮬레이션 결과가 표시되는 제2 영역을 통해 상기 3차원 천의 착장 시뮬레이션 결과를 출력하도록 하는 단계;
    를 더 포함하고,
    상기 3차원 천의 착장 시뮬레이션 결과는 상기 3차원 천의 물성 관련 메쉬 데이터, 상기 3차원 천의 질감 관련 노멀 맵 데이터, 및 상기 3차원 천의 시각속성 관련 그래픽 데이터 중 적어도 하나를 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  16. 제15항에 있어서,
    상기 3차원 천의 착장 시뮬레이션 결과는
    상기 3차원 천의 두께 데이터 및 상기 3차원 천의 텍스처 데이터 중 적어도 하나를 상기 메쉬 데이터에 결합 가능한 형태로 더 포함하는,
    3차원 천의 착장 시뮬레이션 방법
  17. 제1항에 있어서,
    제3 영역을 통해 상기 시뮬레이션 결과에 대응하는 이미지 데이터-상기 이미지 데이터는 오브젝트에 착장된 천을 촬영한 이미지 데이터를 포함하는-를 출력하도록 하는 단계;
    를 더 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  18. 제1항에 있어서,
    제약 조건을 상기 복수의 물성 파라미터들을 입력하기 위한 슬라이드 바에 표시하는 단계;
    를 더 포함하는,
    3차원 천의 착장 시뮬레이션 방법.
  19. 제1항에 있어서,
    상기 복수의 물성 파라미터들을 수신하는 단계는
    사용자 단말을 통하여 입력되는 상기 복수의 물성 파라미터들을 네트워크를 통하여 수신하는 단계를 포함하고,
    상기 시뮬레이션 결과는 상기 네트워크를 통하여 상기 사용자 단말로 전송되는,
    3차원 천의 착장 시뮬레이션 방법.
  20. 하드웨어와 결합되어 제1항 내지 제19항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  21. 3차원 천의 착장 시뮬레이션을 하기 위한 시뮬레이션 장치는
    사용자 인터페이스;
    메모리; 및
    프로세서;
    를 포함하고,
    상기 프로세서는
    복수의 물성 파라미터들을 수신하고,
    상기 복수의 물성 파라미터들을 신경망- 상기 신경망은 상기 복수의 물성 파라미터들과 상기 3차원 천이 오브젝트에 착장된(draped) 상태의 메쉬 사이의 상관 관계가 학습된-에 인가함으로써, 상기 메쉬를 생성하고, 그리고
    상기 생성된 메쉬에 기초하여, 상기 오브젝트에 착장된 3차원 천의 착장 시뮬레이션 결과를 생성하는,
    시뮬레이션 장치.
PCT/KR2022/020679 2021-12-17 2022-12-19 3차원 천의 착장 시뮬레이션 방법 및 장치 WO2023113571A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280007719.0A CN116615758A (zh) 2021-12-17 2022-12-19 3d织物的披挂模拟方法及装置
EP22905466.3A EP4250240A4 (en) 2021-12-17 2022-12-19 THREE-DIMENSIONAL FABRIC DRAPERY SIMULATION METHOD AND APPARATUS

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0181947 2021-12-17
KR20210181947 2021-12-17
KR1020220177449A KR20230092811A (ko) 2021-12-17 2022-12-16 3차원 천의 착장 시뮬레이션 방법 및 장치
KR10-2022-0177449 2022-12-16

Publications (1)

Publication Number Publication Date
WO2023113571A1 true WO2023113571A1 (ko) 2023-06-22

Family

ID=86773194

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/020679 WO2023113571A1 (ko) 2021-12-17 2022-12-19 3차원 천의 착장 시뮬레이션 방법 및 장치

Country Status (3)

Country Link
EP (1) EP4250240A4 (ko)
TW (1) TW202338741A (ko)
WO (1) WO2023113571A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004280267A (ja) * 2003-03-13 2004-10-07 Sumitomo Heavy Ind Ltd 加工装置用表示装置、加工装置用表示装置の表示方法、加工装置用表示装置の表示プログラム及び記録媒体
JP2008242516A (ja) * 2007-03-23 2008-10-09 Aichi Prefecture 織物の３次元モデル構築方法及び織物の３次元モデル構築装置
KR20090039091A (ko) * 2007-10-17 2009-04-22 충남대학교산학협력단 옷감 시뮬레이터를 이용한 의복압 측정방법
KR102130252B1 (ko) * 2019-08-23 2020-07-06 (주)클로버추얼패션 바인딩을 반영한 의복 시뮬레이션 방법 및 장치
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004280267A (ja) * 2003-03-13 2004-10-07 Sumitomo Heavy Ind Ltd 加工装置用表示装置、加工装置用表示装置の表示方法、加工装置用表示装置の表示プログラム及び記録媒体
JP2008242516A (ja) * 2007-03-23 2008-10-09 Aichi Prefecture 織物の３次元モデル構築方法及び織物の３次元モデル構築装置
KR20090039091A (ko) * 2007-10-17 2009-04-22 충남대학교산학협력단 옷감 시뮬레이터를 이용한 의복압 측정방법
KR102130252B1 (ko) * 2019-08-23 2020-07-06 (주)클로버추얼패션 바인딩을 반영한 의복 시뮬레이션 방법 및 장치
KR102224056B1 (ko) * 2019-10-07 2021-03-09 주식회사 예스나우 Ai 기반 착용감 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4250240A4 *

Also Published As

Publication number Publication date
TW202338741A (zh) 2023-10-01
EP4250240A4 (en) 2024-10-02
EP4250240A1 (en) 2023-09-27

Similar Documents

Publication Publication Date Title
Okabe et al. Three dimensional apparel CAD system
Wang et al. Data-driven elastic models for cloth: modeling and measurement
Miguel et al. Data‐driven estimation of cloth simulation models
Kaldor et al. Simulating knitted cloth at the yarn level
Jiang et al. Path-independent digital image correlation with high accuracy, speed and robustness
Wang Wiener processes with random effects for degradation data
US11922593B2 (en) Methods of estimating a bare body shape from a concealed scan of the body
Sun et al. A heuristic-based approach for flattening wrinkled clothes
WO2022103080A1 (en) Method and apparatus for online fitting
KR102504871B1 (ko) 직물의 물성 파라미터를 추정하기 위한 인공 신경망의 트레이닝 데이터를 생성하는 방법, 직물의 물성 파라미터를 추정하는 방법 및 장치
WO2023113571A1 (ko) 3차원 천의 착장 시뮬레이션 방법 및 장치
Dai et al. Fabric mechanical parameters for 3D cloth simulation in apparel CAD: A systematic review
WO2023113578A1 (ko) 3차원 천의 착장 시뮬레이션 방법 및 장치
Endo et al. Hand modeling and motion reconstruction for individuals
Zhang et al. Multivariate regression with gross errors on manifold-valued data
Ma et al. Anisotropic strain limiting for quadrilateral and triangular cloth meshes
KR20230092811A (ko) 3차원 천의 착장 시뮬레이션 방법 및 장치
Vechev et al. Computational design of kinesthetic garments
Coltraro et al. A novel collision model for inextensible textiles and its experimental validation
CN116615758A (zh) 3d织物的披挂模拟方法及装置
EP4407506A1 (en) Method and apparatus for estimating physical property parameter of target fabric
KR20240117997A (ko) 대상 원단의 물성 파라미터를 추정하는 방법 및 장치
Dominguez‐Elvira et al. Practical Methods to Estimate Fabric Mechanics from Metadata
Chow et al. A solution to illumination direction estimation of a shaded image: Genetic algorithm
CN115797567B (zh) 一种衣物三维驱动模型的建立方法、装置、设备及介质

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 202280007719.0

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2022905466

Country of ref document: EP

Effective date: 20230619

NENP Non-entry into the national phase

Ref country code: DE