一张GPU实时模拟布料碰撞特效，元宇宙时装秀栩栩如生，王华民团队最新成果 | SIGGRAPH 2022

杨净 发自 凹非寺
量子位 | 公众号 QbitAI

在元宇宙里看时装秀，会是什么赶脚？

各种布料摩擦细节，不光看得一清二楚，而且就跟真的一样。

裙摆随着模特的走动飞舞起来~光是看看，就能知道这件衣服是不是轻盈。

这是图形学大牛王华民团队的最新成果，提出了一个基于GPU的预处理器MAS，一张GPU完成实时布料碰撞特效。

比如这件羊毛大衣，就能以每秒37帧的速度实时模拟出来，仿真精度可达5mm。

而且也不光是衣服，连毛毛球、软皮玩具也能实现逼真的碰撞特效。

其论文收录于SIGGRAPH 2022。作为全球规模最大、水平最高的图形学会议，SIGGRAPH每年接收的论文都代表着当年CG最高水平。

来康康这是一项什么样的研究？

一张GPU实时模拟碰撞特效

要构建真正意义上的元宇宙，首先需要的是一个强大的实时物理仿真模拟引擎。

而当前常见的物理引擎在效果或效率上还远达不到理想的状态。

服装模拟是所有模拟问题的制高点。

因为服装的材质、碰撞都是最复杂的，解决好服装模拟，就等于解决了大部分实时物理模拟问题，为未来元宇宙开发奠定基础。

从技术上划分，实时物理模拟分为流体和形变体模拟两大类。

相较于流体，形变体的应用范围更加广泛，比如弹性体模拟、布料模拟、头发模拟等，其产业端的价值也更加清晰，比如在服装、工业上的应用。

但当前困扰科学家的一道挑战，是完成更高质量的实时仿真。

任何形变体的模拟，最后都归于一个线性求解问题，个中区别无非就是矩阵内部数值、稀疏程度还有矩阵大小的不同。

因此，如何快速求解也就成为其中一个重要的突破口。

基于这样的背景，王华民团队提出了基于GPU的MAS预处理器 （Multilevel Additive Schwarz Preconditioner）。

顾名思义，这一预处理器采用了多层和域（domain）分解的概念。

以往的算法主要依赖在一层网格上处理，这样域越少越好，不然误差大。

但此次研究人员则是构建多个网格层，这样使用小的、不重叠的域，可以发挥GPU并行计算能力。

具体而言，MAS预处理程序可以分成三个阶段。

第一阶段，利用Morton代码快速分层分域。

研究人员提出了一种超节点分割方法和跳过方法，用于空间的初步构建。

第二阶段，通过单向Gauss-Jordan消除的低成本矩阵预计算，在每个域进行快速的inverse求解。此外，研究人员还开发了一个选择性更新方案，以解决轻微的矩阵修改。

第三阶段，运行时预处理，从而对矩阵向量快速求解。为了降低计算成本，研究人员发明了一种对称矩阵-向量乘法。

实验表明，MAS预处理器与许多线性和非线性求解器兼容，这些求解器用于带有动态接触的形变体模拟，如PCG、加速梯度下降和L-BFGS。

以最常见的PCG求解器为例，在两者一起使用时，在GPU上的收敛速率仍然明显优于其他预处理程序，包括GPU上的多网格AmgX。

在达到相同的收敛目标时，MAS预处理器的收敛速度要比其他预处理器快约四倍。

与此同时，MAS预处理器在CPU上也是有效的，其性能也优于其他预处理程序，比如英特尔的ILU0和ILUT。

除此之外还发现，MAS预处理器的计算开销很低。

并行计算时仅为0.118秒，相比之下ILU0、ichol和ILUT的成本为2.50秒、33.8秒和154秒。

研究人员表示，此次为5万个定点到50万个顶点区间规模的布料和形变体仿真推向了一个更高水平。

未来还将继续研究基于GPU域分解（GPU-based domain decomposition）的技术，因为这类算法有很多可以挖掘的空间。

Style3D出品

本次研究团队来自Style3D研究院王华民所带领的团队。

王华民，俄亥俄州立大学前副教授，佐治亚理工学院计算机科学博士，斯坦福大学计算机科学硕士，公认的世界级图形学科学家。

曾以唯一作者身份完成四篇SIGGRAPH论文，6届SIGGRAPH/SIGGRAPH Asia技术论文委员会委员，其学生遍布知名大厂，因为聚焦布料仿真，业内流传着这样一句话：

如果你研究布料仿真，就不可能没读过王华民教授的论文。

去年8月，他正式加盟国内时尚产业链3D数字化公司——凌迪科技Style3D，任职首席科学家兼凌迪研究院院长。

结果不到一年时间，就率队带来了最新产学研成果，将实时仿真技术又提升到了新水平。

研究进展如此快速，背后既有世界级技术团队的实力加成，也有企业的产业化驱动。

凌迪科技Style3D，创立之初将视线聚焦在最制约服装行业效率的服装设计开发环节上。

其核心产品，一个是率先打破国外技术垄断的3D柔性体仿真工业软件Style3D Studio，其二是全球创新的面料数字化设计软件Style3D Fabric，另有研发全流程协同平台Style3D Cloud，以及开创性的数字时尚内容资源商城Style3D Market。

研发过程中从面辅料选择、款式设计、渲染仿真、协同与展销等全流程，都可以进行数字化呈现以及协同合作，以此来提升研发效率。

此外，凌迪Style3D还依据工厂生产标准生成生产资料清单，串起整个生产制造环节，进一步推动整个行业链路的数字化。

据透露，今年6月底凌迪Style3D将有面向元宇宙开发者的神秘产品发布。

目前，它的客户涉及到海内外品牌方、ODM（原始设计制造）商、面辅料商以及泛电商等。

值得一提的是，就在SIGGRAPH收录结果出炉同一时间，凌迪Style3D官宣了与牛仔技术公司Jeanologia的合作。

全球每年生产35%的牛仔裤，都采用了这家公司的环保技术。

两者合作下，牛仔设计师也能够直接在Style3D一键调用牛仔裤纹样及水洗效果图案等，无需制作牛仔裤实样，即可呈现牛仔裤水洗等多种工艺的设计效果。

而且这样高仿真的数字牛仔裤，还可以直接拿去营销展示和售卖。

事实上，除了推动整个服装产业链效率外，还有更现实的全球性问题能得到缓解，即现在热议的碳中和、碳排放。

当前，纺织服装已经成为全球第二大污染产业，全球每年约有1280万吨服装被填埋焚烧，制作服装所排放的废水占全球总量的20%，并承担着全球10%碳排放。

甚至于，还有15%纺织产品会遭遇不被使用，直接走向烧毁的命运，从而造成二次污染。

而一旦将整个产业从研发、生产到最后的商品展销等全流程搬上数字平台，污染问题就能得到有效解决，可持续时尚才真正有落实的方向。

图形学的产业发展

最后，回到这篇被收录SIGGRAPH的研究成果本身。

可以看到的是，它不像是英伟达、谷歌每年传统艺能——各种炫酷逼真的特效技术，以彰显企业的前沿技术实力。

而是从更垂直的产业角度出发，技术迭代不太容易被人感知，但切实地解决了产业问题。

一方面，这说明图形学技术已经来到了产业端创造价值。

图形学最有可能、也是最大限度落地的领域，不是热议的电影、游戏，而是像服装、工业这等产业领域。

另一方面还说明中国在图形学上技术水平并不弱，会像AI一样从前沿到产业加速前进。

从此次SIGGRAPH论文收录结果可以看到，中国团队已经占据名单的一大半，其中不乏高校以及企业代表。

随着图形学产业价值更加显性，更多世界级大牛参与进来。企业也将通过设立研究院、启动奖学金等方式吸引更多高校人才加入。

以凌迪Style3D为例，去年就启动了凌迪图形学奖学金计划，每位获奖者将获得3万人民币的现金奖励，第一期就有清华、浙大、中科大、南开、山大等10名硕博士获得。

如此一来，产学研闭环一形成，更有利于图形学产业化的长期发展。

如今爆火的元宇宙，最终挤掉泡沫。像当初的AI一样，只有将底层技术与产业相结合，发挥更长远的价值。

而这一点，中国的企业已经先行一步。