用于织物数字化的贝叶斯可微分物理方法

我们提出了一种新的织物数字化方法。不同于现有方法从相对随意设置下捕获的数据中学习，我们提议从经过严格测试的测量协议捕获的数据中学习，以寻找织物的合理物理参数。然而，此类数据目前尚缺，因此我们首先提出了一个具有精确织物测量的新数据集。此外，由于数据捕获过程的性质，数据规模远小于当前深度学习中的数据规模。为了从小数据中学习，我们提出了一种新的贝叶斯可微分织物模型，以估计真实织物的复杂材料非均匀性。该方法能够从非常有限的数据样本中提供高精度的数字化结果。通过详尽的评估和比较，我们展示了该方法在织物数字化方面的准确性、在有限数据样本学习中的高效性以及在捕捉材料变化方面的通用性。代码和数据可在 https://github.com/realcrane/Bayesian-Differentiable-Physics-for-Cloth-Digitalization 获取。