讓多樣布料成為可學習的資料

素材與加工方式的組合越多,布料物理性質也越多樣。即使有量測規範,測量本身仍不容易,統一描述也有困難。為了訓練預測 KES 量測屬性的模型,我先從整理一致的布料資料開始。

材質、加工方式與混合比例,以及經緯向彎曲剛性、剪切剛性、經緯向拉伸剛性和垂墜性之間的雙向推估。KRR接至MLP,正向以迴歸輸出物性,反向以Softmax輸出混合比例。
更新後的概念圖雙向連結素材、加工方式、混合比例與物理性質。KRR 接到 MLP,Softmax 將混合比例正規化為總和 100%。 — 插圖: Enzoviz — fabric research, 2026 redraw

對齊共同拓撲

三維資料先以點雲記錄,再透過泊松重建形成幾何。各模型的拓撲與資料量並不一致。為了用於學習,我必須在統一表示的同時,盡量保留良好的幾何資訊並進行必要插值;這也是對齊與形狀轉移的重點。

從掃描到訓練模型的處理

從三維掃描出發,經移除異常幾何、在降維空間中對齊、將形狀轉移至共通拓樸及校正過度變形,整理為學習用資料。損傷過大的資料予以排除。
從異常幾何移除,到共同拓撲轉移與變形修正;嚴重損壞的資料予以排除。 — 插圖: Enzoviz — fabric research, 2026 redraw

辨識不良幾何

泊松重建留下的問題會干擾降維空間中的對齊。我實作了下列網格缺陷的偵測與移除。

  • 隧道
  • 重疊
  • 孔洞
含隧道、重疊與孔洞的網格範例
含隧道、重疊與孔洞的網格範例 — 插圖: Enzoviz — fabric-scanning-ml

由左至右:隧道、重疊與孔洞。

掌握可重建的範圍

若原始掃描品質太差,例如皺褶頂部嚴重缺損,插值也無法恢復形狀的依據,因此我排除了這些資料。在當時處理的資料中,超過 97% 的布料三維模型完成重建,進而擴充結合 2D 與 3D 資訊的訓練資料集。