AI帮忙解决面料数字化难题，王华民团队新方法复刻面料真实效果(4)

（深度相机以240×180的分辨率捕捉四幅深度图像，形成一个特征向量，来描述织物弯曲特性。）
关键问题在于，如何训练中这样一个DNN。考虑到现实生活中建立一个大型数据集过于耗时，且没有考虑到采集和模拟过程中的误差，研究人员开发了个多达6个参数的非线性各向异性弯度刚度模型。
但由于整个参数形成的全空间太大，无法直接采样。因此，研究人员使用悬臂测试仪大致测量的参数训练构建出一个参数子空间——基于变异VAE模型打造的。
这个子空间一方面为布料模拟器提供参数，另一方面，与模拟器一同为训练网络提供样本数据，最终训练出一个基于回归的预测模型ResNet-18。
最终在一个有96个英特尔CPU内核和4个英伟达RTX 3090的工作站上运行12.7小时得以训练完成。
采集速度增长了5倍
接着，研究人员从成本、模拟保真度、可靠性以及适用性四个维度评价该系统的性能。
成本
方面，包含时间成本和财务成本。根据实验，一个没有经验的用户完成一块织物的整个参数估计过程，只需要不到3分钟。而相较于传统悬臂法的15分钟，采集速度增长了5倍。
另外，悬垂试验器价格低廉，除了Azure Kinect深度摄像头外，该设备的其余部分成本低于30美元，而且很容易组装。
而不像悬臂测试仪，所使用的部件都是定制的，在不包含单反相机的情况下至少需要500美元。
在保真度上，他们的系统总体上优于悬臂测试仪和基于视频的方法。