※ 개인적으로 보고 적는 감상글이기 때문에 정확한 해석이 아니며, 추측성 글임을 참고하시기 바랍니다.
Learning-Based Bending Stiffness Parameter Estimation by a Drape Tester라는 영상이다. cloth simulation에 대한 논문을 소개하는 영상인데, 한 번 쭉 영상을 시청해봐도 평범한 내 머리로는 도통 무슨 말인지 이해할 수가 없었다.
그래서 나오는 자동생성 자막을 번역해보기로 했다. 간혹 틀리게 나오는 경우는 있지만 대체적으로 흐름을 파악할 수는 있을 것이다.
in this paper. We propose a data gear method to estimate the bending parameter of simulator in order to achieve realistic closed Malaysia
해당 논문에서는 휘어짐 매개변수를 추정하는 데이터 기어(?) 방법을 제안한다고 한다.
first, please let me explain the motivation of our work clothes are composed by different places of fabrics.
먼저 옷들이 다른 직물에 의해 구성되는 상황 동기를 설명한다.
Here we post the two skirts, which are made of different types of fabrics. We can easily confirm to the left one is softer than the right one.
두 개의 다른 종류 직물 치마가 있는데, 왼쪽이 오른쪽보다 부드럽다는 것을 확인 가능하다.
Actually, the soft skirt is made of playing setting and the second one is made of standing these two Fabrics have many different physical properties such as density stress critically when you rigidity and frictional coefficient at all.
soft skirt는 plain satin (자막오류인듯) 으로, rigid skirt는 denim으로 만들어졌다. 각 원단은 강체성과 마찰계수가 없어도 밀도 응력과 같은 다양한 특성을 가지고 있다.
After some element we found the bending which utility of denim is much greater than the soft plane setting which indicate a incute your conclusion that many legitimately has a strong influence on the wrinkle Behavior as human being is more concerned on the wrinkle Behavior instead of stretch depending agility. In fact the realism heavy.
어떤 요소의 영향으로 denim이 plain satin보다 더 굽어지는 걸 발견했는데, 이것이 주름에 영향을 미치는 것 같다.
늘어나는 것보다 주름이 더 관심받는 다는 맥락인 듯 하다.
In order to achieve a realistic simulation result or question is given Anonymous fabric.
시뮬레이션 결과를 위해 anonymous 천을 설정하는 것 같다.
How can we estimate expanding behavior for an in-house simulator efficiently?
in house 시뮬레이터를 효율적으로 추정하기 위해서는
In order to get a simulation result that is as close as the real Behavior.
실제 동작에 가까운 결과를 얻기 위한 무언가 필요한 것 같다.
To achieve this goal researchers propose. The many methods to do the moment of fabrics one proposed of can leverage business method to estimate bending parameters it first proposed a linear bending model which contain 15 parameters for any topic fabric after taking a photo of the pen pending Street users. Then need to label a few feature points on it this thing that does optimization for 15 parameters in the least Square fashion. It's creating. It's calculating by the financing matter.
천의 휘어짐을 bending parameter를 이용해서 추정할 수 있는 것 같은데, 여기서는 15개의 매개변수를 가진 선형 bending model을 제안한 것 같다. 최소 사각형방식(?) 을 이용해서 15개 매개변수들을 최저고하하는 특징점에 레이블을 매기는 방식으로 계산하는 모양이다.
Miguel I thought design your system that can do 3D reconstruction for the fabric surface efficiently such a detail ground choose enables the fine grind optimization over unknown parameters, but compare with other mentors, it has a relatively High coast and such a matter is not only difficult but also time consuming due to the complex relationship between parameters and shapes some researchers purpose to do an estimation from Vision info young proposed to classified depending parameters by recording the information video and they're blowing need this method has advantages in both coasts and the implementation but it's galatification methodology and constraint test badly. It's performance.
직물 표면에 대한 3D reconstruction기술에 대한 시스템이 소개되는데, 기존의 방식이 복잡하고 시간복잡도가 높다는 식의 설명인 것 같다. 어떤 연구에서는 비디오를 통해 분류도니 매개변수를 따라 vision영역에서 이를 해결하려고 시도했다는 이야기 같은데, 이것이 방법록적으로 제약조건 테스트 퍼포먼스가 좋지는 않았다는 과거의 결과를 말하는 듯 하다.
Though many Masters has been proposed. We still find some challenges that need to be sold in both graphic community and fashion industry can deliver tester is commonly used to measure the bending parameters for Fabrics as we have discussed before.
많은 제안이 있었지만, 그래픽 커뮤니티나 패션 업계에서 필요한 것들이 있는 모양이다. 천의 bending parameter를 측정하기 위한 테스터기기가 있는 것 같다.
The first challenge is clearly impact fundamentally many fabric strips cannot be properly evaluating tester due to curly effect. So in figures such are currently back is called by many reasons such as internal weaving stress strong animal City and the internal friction of the Arts.
첫 번째 과제는 직물 조각의 대부분이 컬링효과(?)로 테스터가 제대로 평가하지 못하는 데서 생기는 것 같다.
The Second Challenge is the diversity of spending models. There are three popular bending models. So the hidden anglement-based model the diagonal spring many model and quadratic bending model.
두번째 과제는 bending 모델의 다양성에 있는 것 같다. 주로 사용하는 세 가지 모델이 있는데, angle-based 모델과 diagonal spring 모델, quadratic 모델 다 2차 모델이다.
This many models are how different depending parameters in their definition, even we can measure or estimate bending rigidity with Fidelity with still need to convert them to practical bending parameters use the enormous later for some models. Such a conversion is notorious.
이 모델들의 정의에서 매개변수에 따라 얼마나 다른지, 휘어지는 강도를 측정하거나 추정할 수 있지만 일부 모델은 나중에 뭐가 있나? 설명을 이해하지 못했다.
To resolve such a challenge. Our solution is quite straightforward. We decide to estimate the Banning parameters directly and avoid the usage of bending rigidity.
이런 문제를 해결하려는 방법으로 논문에서는 bending 매개변수를 직접 추정하고 bending rigidity를 사용하지 않는 것으로 결정했다.
앞에서 bending rigidity와 bending paramter의 차이에 대해서 소개하고 rigidity가 안좋을 수 있다는 것을 보여주었던 모양이다.
Here is the overview of our system in this paper between a neural network to estimate bending parameters from tax images of the trip posts. We first create the depth images data set by offline simulation in our in-house simulator this processor called a lot if we accurate the whole parameter space within design and are variational awkward encoder to capture the Banning parameters distribution, but something from this vae we make our computation resource focus on the more plausible parameters in the second part, we treat and apply a new network to infer depending parameters from the taximis this pipeline benefits from the simulation in the loops strategy, which means we consider the simulation when we do parameter estimation.
위 그림은 bending 매개변수 추정을 위한 신경망과 관련있는 것 같다. 인코더를 통해 이미지 시뮬레이션 데이터를 뽑아낸다. 두번째에서는 새로운 네트워크를 처리하고 시뮬레이션에서 매개변수 추정을 할 때 고려되는 것을 보는 것 같은데, 더 이상의 맥락은 잘 모르겠다.
In real world, we use Azure Kinect to capture the Dax images of fabrics. So 13 centimeters square Fabrics are placed on the top of the sporting calendar. The calendar is rotated by roadwaytable Android this system can capture the depth images of trip fabric efficiently.
Azure Kinect를 이용하여 천의 Depth (자막오류인듯) 이미지를 캡처하는 모양이다. 13 센치의 천이 회전테이블 위에 있는데, 이것이 천의 depth 이미지를 캡쳐하는데 용이한 것 같다.
Now let's dive into the details of our work.
이 파트부터 세부적인 내용에 대해서 소개하는 듯 하다.
We first introduce our simulator setting including our investigation on bending model and any Social Security distribution. Our simulator is an in-house GPU based one, which runs a series of Newton reduction alterations to solve Dynamic simulation or causing static equivalent problems.
bending 모델과 시뮬레이션 설정에 대해서 소개하는 것 같으넫, 사내 GPU기반으로 동적 시뮬레이션이나 정적 등가 문제를 야기하기 위해 뉴턴 감소 변경(?)을 실행하는 것 같다.
Given a pair of neighboring triangles. We Define the remaining energy under shares depending energy in our system is defined by the work applied by external talk to aching current local commercial Kappa.
이웃하는 삼각형 쌍이 주어지고, 현 위치에서 다른 쪽으로 퍼지는(?) bending 에너지를 계산하는 정의식인 것 같다.
As the bending energy is conservative depending force can be easily calculated from the negative derivative of energy in our system. We observe real fabric spending code and then assume a linear bending model, which has two terms for linear and quadratic information. This model has enough capacity to capture the detailed information in real fabric.
bending 에너지는 우리 체계의 시스템 에너지의 음의 도함수로부터 계산할 수 있다고 하는 것 같다. 실제 천에 대한 코드를 보고 선형 또는 2차식의 선형 bending 모델을 추정할 수 있는 모양이다.
The next question is how to calculate local currency path on share this as the close deformation is nearly asymmetric. We estimate Kappa from the radius R of us heading there across meetings element. Such that age of any angle has been investigated by many researchers. Our models linear Counterpoint is equivalent to the one using arcing and discretial except a constant Factor 4 or 1/3.
식에 대한 설명을 뭐라뭐라 하는데, 이해하기로는 근접 변형(?)이 비대칭적이라서 이를 공유하는 경로간의 계산에 대해서 방법을 찾아야하는 것 같다. 식에서 kappa(k기호)값을 구하기 위해서 반경 R을 이용하는 것 같은데, 이것들이 그 다음 식으로 전개될 수 있는 모양이다.
But which coefficient is more suitable or correct to verify our model? We conducted the Master Core experiment proposed by Romeo 2021 this experiment just to compare the memory result with the theoretical solution and check the correctness of the model. We found our model can access theoretical solution more consistent instead of oxy or discrete energy model.
모델을 검증하기 위한 적당한 계수를 찾는 것과 관련된 커브 그래프를 소개하는 듯 하다. 다른 모델인 ARCSim, Discrete shell보다 이론적인 커브에 가깝다는 것을 표현한 모양이다.
Our next investigation. Is there any social piecesity distribution over different orientations real fabric is having strong and it'sotopicity in different depending directions in order to investigate the relationship between orientation and goals and Benin parameters. We send all fabric strips in different directions depending which utility is lsued as three dots.
해당 내용은 잘 모르겠다.
Compare with linear interpolation between orientations we form the trigonometry relationship is more thinkable to be used for better feet in our work. We use such a trigonometry feeding in an installification.
trigonometric fitting을 이용해서 선형 보간과 비교한 삼각관계를 형성한다?
In order to increase the capacity of our running model. We use three directions spending parameter to describe a fabric these three directions are labeled as well fails and back which stand for 0 degree 55 degrees and 19 degrees respectively.
모델의 용량을 늘리기 위해 세 방향의 bending parameter vector를 사용하는 모양이다.
The next question is how to determine the benefits of a shared age. So traditional method is to compute and each base spending State needs geometrically, aesthetically given a shortage. We first calculate its normal Vector in text recordings and then evaluates the orientation of this Vector in reference wallpap coordinates, then each base dependency means can be completely using our trigonometry formula in such a method the bending techniques if we completely and keeps environment during the simulation.
공유하는 edge(age는 자막오류인듯)을 결정하는 방법이 질문사항인 모양이다. 천에서 벡터를 고려하여 edge를 기반으로하는 bending 기술처럼 삼각법 공식을 사용하는 방향인 것 같다.
In our work, we propose to employ a curvature-based depending students inside of determining depending stiff needs geometrically and statically we choose to calculate the benefits time by time. Our idea is that the Banning technique should be realized by the local bending Direction inside of each distribution for each share each. We first calculate is principal corporate Direction then use the corresponding angle five to cognit dependencies. The intermediate Matrix is used to map K5 0 and k51 to walk and left Direction.
기하학적 곡률을 기반으로 어떤 계산식을 설명하는 것 같은데, 각 로컬 bending direction에 의해서 실현되고 이런게 있는것 같다. 메인이 되는 방향을 계산한 후, 각도 PHI (음성 인식에서 5 five로 들었나 보다)를 사용해서 얼마나 종속되어있는지를 결정하는 것 같은데, 매트릭스를 통해 k PHI 0및 k PHI 1을 중간에 있는 행렬들이 wrap(left가 아닌 것 같음) 방향으로 가도록 매핑하는데 쓰는 모양이다.
Compared with each business model our curvature-based depending model can exactly much independent simulation results, you know strong and isotropic property.
각각의 모델들과 비교해서 곡률을 기반한 모델이 정확한 시뮬레이션 결과를 보여준다는 흐름이다.
There is still one crucial stuff to introduce about the simulator setting as our Target is to estimate bending stiffness from the acoustic trip pulse. It's better to confirm. The structurals is only related to bending statements in our simulator instead of stretching stickies. We exclude a correlation analysis that relates depending or stretching techniques with the mesh boundary of the acoustic post. So analysis result shows the strong correlation between triples and bending cities and proves that legal impact of fresh savings on the acoustic trade more detailey. It's easily to prove that the repost is actually related to the ratio of the bending statements and fabric density.
목표가 bending 강성? stiffness 를 추정하는 것이므로, 시뮬레이터를 설정할 때 고려하는 것이 있다고한다. 뭐 mesh의 경계와 stretch 기술과 관련된 분석으로 상관관계를 설명하는 느낌이다. 자세히는 이해하지 못했다.
Given our in-house simulator as introduced before now we would like to investigate our data synthesis.
이전에 소개한 시뮬레이터를 고려해서 이후 진행할 데이터 합성에 대해서 말하는 것 같다.
The main idea of datasets of this is to generate the data pair between the bending property and the dream post from simulators. The bending property is located in six dimensional space is impossible to enumerate each spending property in such a case actually most spending properties in such a full space are not possible in the real world. We first matter 600 and 18 Fabrics in the real world and construct the data center for their bending properties within constructive Subspace that can describe to distribution of real Properties by sampling from such a Subspace. We can concentrate our computer resource on the most common Fabrics, which makes our framework more practical. Let's first introduce our method to construct such a data set.
데이터셋의 아이디어는 시뮬레이터에서 굽어짐 속성과 deam post(?) 사이의 데이터 쌍을 생성하는 것이라고 한다. bending 특성은 6차원 공간에 위치 한다는데, 각 특성을 열거하는 것이 불가능하고, 이러한 공간의 대부분의 특성은 실제로는 불가능하다고 한다. 실제 세계에서 천을 다루어 보고 하위 공간에서 샘플링해서 실제 속성의 분포를 설명할 수 있는 데이터를 구성하는 것 같다. 이들은 컴퓨터를 가장 일반적인 천에 집중시키고, 프레임워크를 더 실용성있게 만들거라는데, 앞으로 데이터 세트에 대한 소개가 이어지는 듯 하다.
Our environment is based on cantilever tester, but not all the same. After placing a fabric strip on the apparatus. We use the cubic Visa code to approximately its trajectory by analyzing such a deflation curl and the fabric self weight.
cantilever 테스터? 를 기반으로 한다고 하는데, 이 장비에 천 조각을 장착하고 deflation curl과 천의 자체적인 무게를 통해 그래프와 같은 궤적을 구한 것 같다.
we can get an electric expression between the talk and curvature for each point on this curve within the least Square method to get the bending parameter Alpha and beta as we introduce before.
곡선의 각 점에 대한 torque(talk가 아니라 이거인 듯)와 곡률 사이의 electric한 표현을 얻을 수 있고, 앞서 소개했듯 bending parameter alpha와 beta를 얻을 수 있는 것 같다.
By combining three directions measurement results we can get the bending property vector k to describe an unusual topic Fabric in our system.
세 방향을 측정한 결과를 결합하여 bending property의 벡터 k가 이들의 시스템의 천을 묘사할 수 있는 것 같다.
within use the status of variational autoencoder
데이터 셋을 가변 자동 인코더의 status를 이용하는 것 같다.
after our training we take the decoder part and randomly sample over the latent space. We sample 6000 depending parameter vectors the experiment shows we can capture the details of our bending property distribution.
훈련을 하고 나서, 디코더에서 각 부분들을 가져와 구성도니 공간 위에 무작위로 샘플을 위치시킨다. 이 실험이 보이는 매개변수 벡터에 따라서 6000개를 샘플링해서 bending 특성 분포의 세부적인 사항을 캡처할 수 있다고 한다.
As our estimation pipeline is based on that images overclip posts within assign the sampled Banning parameters into our simulator. Our simulator runs QX static equivalent has been achieved here one question is how to set the initpost of the square Fabric in our simulator in the real world. We usually take the fabric with our hands and put them out of the supporting calendar. We make such a behavior. We introduce type 1 and type 2 in process to argument our simulation results. The tax images can then be easily aquared by requesting our simulated mesh.
이 논문에서 추정하는 파이프라인은 사진에 보이는 이미지들을 기반으로 하기에 샘플링 된 bending(banning으로 잘못 감지된 듯) 매개변수를 시뮬레이터에 할당한다고 한다. 실제 시뮬레이터에서 사각형의 천의 초기 위치를 설정하는 방법을 질문으로 던졌는데, 보통 손으로 원단을 가져가서 원판 위에 올려 놓는다고 한다. 이러한 시뮬레이션 결과에 대해서 type 1과 type 2를 넣어 천이 덮히는 이미지를 얻을 수 있게 학습시키는 맥락인 것 같다.
Now we have prepared our dataset well for the network chain.
이제는 데이터셋을 네트워크 훈련으로 넘어가는 차례이다.
Our Network receives thats images as input and to inference for bending parameters as output. Let's denote the prediction of our Network pi and the grantroos GI we construct a rmse loss to supervise our Network.
이들의 네트워크는 입력으로 이미지를 넣고, 출력으로 bending 매개변수에 대한 추정값을 받는 것 같다. 네트워크가 예측한 값을 p_i, 네트워크를 조정하기 위해서 실제로 구성되어야하는 값을 g_i라고 하는 모양이다.
So we gg16 impactful has a slightly better performance. It's training cost is 10 times than reside. So we choose three rest night as our final choice of Apple.
VGG16이라는 모델은 성능이 좋다고 한다. 하지만 훈련 시간이 다른 것의 10배 정도이다. 그래서 나머지 3개를 최종적으로 선택했다는 맥락인가..?
There is one interesting question how many number of views do we need to invert the bending parameters? We conduct the experiments of different fields and the get the best result and four wheels.
bending 매개변수를 invert(?) 하려면 몇 개의 view가 필요한지에 대해서 질문을 날리고 있다. 각 개수들을 실험하면서 네 가지 중 가장 좋은 결과를 얻은 것 같다.
Within introduce evaluations on our system and post some results.
논문의 시스템에 대한 평가를 소개하고 결과를 게시하는 차례이다.
Compare with traditional can deliver tester our system have finished estimation in three minutes as the square feet is much easier to cut the strips our system also inhabit better on Coast.
기존에 cantilever 라는 테스터기와 비교해서 해당 논문에서의 drape 테스터기는 3분만에 추정을 마쳤다는 결과이다. 비용(cost 를 coast라고 감지한 듯)면에서도 더 이득이라는 것을 말하는 것 같다.
Infidelity analysis, we would like to evaluate whether our pending properties can achieve higher Fidelity given a drip post refers to 3D compute construction on its surface within import such as reconstructing mesh into our simulator and assigning different pending parameters and start simulation
분석에서는 천을 올려놓은 동작이 시뮬레이터에 mesh를 reconstructure하고, 시뮬레이터에서 bending 매개변수를 할당한 후, 시뮬레이션을 시작하는 것 같이 진행되는 것 같다.
Doing so we can evaluate instructions. We preview a better property to produce more changes as lsued in the speaker.
이러한 방식으로 지침을 평가한다고 한다. 발표하는 바와 같이 많은 변화를 일으키기 위해서 더 나은 특성을 비교하는 것 같다.
We compare our system with other estimation method in such a metric including cantilever method with your basic classification method and different constitute models differs on a linear digital angle model outperforms others in both mean broadcast displacement and encourage difference both mean vertex displacement and curvature difference.
cantilever 라는 방법을 포함해서 metric 의 다른 추정 방법과 기본적인 분류 방법을 비교하며 선형 모델에서 다른 비선형 구성을 가진 모델이 vertex 변위와 curvature 차이에서 다른 모델을 능가한다는 내용이다.
Our next test is handing test given a 60 centimeter Square fabric. We can show is two corners to 30 centimeter and observe. So wrinkle shapes.
다음 테스트로는 60cm 정사각형 원단으로 핸들링 테스트를 진행했다. 코너로부터 30센치 떨어진 곳에 굴곡을 볼 수 있다.
So wrinkle shapes our system can produce a similar effect with real fabric compared with cantilevered Hesser.
주름 모양이 이 논문에서의 cantilevered hesser와 비교해서 실제 직물같은 효과를 낸다고 한다.
Here we show all tests for two flannel and collateral.
논문에서는 두 개의 flannel 즉 면 재절의 천 같은 것과 이로인해 나온 부수적인 것에 대한 테스트를 보여주는 것 같다.
We also conduct a skirt test with fabric 10 different skirts and compare the difference between simulation results and real skirts, more experiment details and figures are available in our paper and appendix.
10개 정도의 다른 천 재질 스커트로 테스트를 수행하고, 시뮬레이션과 실제의 차이를 비교하였는데, 자세한 수치는 논문과 부록에서 확인할 수 있다고 한다.
After this experiment and validation we can arrive at a conclusion and some limitations of our work.
In this paper, we just defined the effective use of deployment networks in the development of a normal bending stiffness parameter estimation system, but our work still have some limitations. The first one is hysteresis effect. So we try to eliminate it impact by repeating an errolling Fabrics.
The modeling for hysteresis effect is still another crucial type for better realism.
Then our paper only focus on pending parameters and the stretching parameters need another step to acquire.
Our paper can still have refinement on the automation. Our estimation pipeline should be automated for the more for a better test efficiency.
논문에서 실험 및 검증을 한 이후 결론과 한계에 대한 이야기를 하고 있다.
논문에서는 정상적인 bending 강성 매개변수 추정 시스템 개발에서 배치하는 네트워크를 효과적으로 사용할 수 있는 방법을 정의하였지만, 한계는 hysteresis effect 이력현상? 이라는 것이라고 한다. 과거가 현재 상태에 영향을 주는 현상이라고 하는데, 그렇기 때문에 앞으로 천 실험을 반복하여 그 영향을 줄여한다고 한다.
hysteresis effect를 위해 모델링의 현실성도 중요한 요소인 모양이다.
또한 해당 논문은 bending 변수에만 초점이 맞추어져있어 stretching 변수에 대해서는 다른 단계가 필요한 것 같다.
자동화에 대해서 정교함을 가질 수 있다고 한다. 이들의 파이프라인은 더 나은 테스트 효율성을 위해서 자동화될 필요가 있다고 한다.
마지막으로 영상 밑에 달려있던 부연 설명을 좀 읽어보자.
Real-world fabrics often possess complicated nonlinear, anisotropic bending stiffness properties.
실제 직물은 종종 복잡한 비선형, 이방성 휨 강성 등 특성을 갖는다.
Measuring the physical parameters of such properties for physics-based simulation is difficult yet unnecessary, due to the persistent existence of numerical errors in simulation technology.
물리기반 시뮬레이션을 위해서 이러한 것을 측정하는 것은 어렵고 불필요하다, 계속되는 시뮬레이션의 수치 오류 때문이기도 하다.
In this work, we propose to adopt a simulation-in-the-loop strategy: instead of measuring the physical parameters, we estimate the simulation parameters to minimize the discrepancy between reality and simulation.
이 연구에서는 in the loop 시뮬레이션 전략을 채택하여 물리적 매개변수를 측정하는 대신, 실제와 시뮬레이션 간 불일치 최소화를 위해서 시뮬레이션 매개변수를 추정한다.
This strategy offers good flexibility in test setups, but the associated optimization problem is computationally expensive to solve by numerical methods.
이 전략은 테스트 세팅에서 좋은 유연성을 주지만, 최적화 관련 문제는 수치적 방법으로 해결하기에 계산적인 비용이 많이든다.
Our solution is to train a regression-based neural network for inferring bending stiffness parameters, directly from drape features captured in the real world.
우리의 해결책은 회귀 기반 신경망을 훈련하는 것이다. bending 강성 매개변수를 추론하기 위해서 실제 세계의 천을 직접 캡쳐해서
Specifically, we choose the Cusick drape test method and treat multiple-view depth images as the feature vector.
구체적으로, 우리의 cusick 천 테스트 방법을 선택하고 다중 뷰 깊이 이미지를 특징 벡터로 다룬다.
To effectively and efficiently train our network, we develop a highly expressive and physically validated bending stiffness model, and we use the traditional cantilever test to collect the parameters of this model for 618 real-world fabrics.
우리의 네트워크를 효과적이고 효율적으로 훈련시키기 위해, 우리는 표현력이 높고 물리적으로 검증된 bending 강성 모델을 개발한다. 그리고 우리는 전통적인 cantilever 테스트를 이 618개의 실제 패브릭에 대한 이 모델의 매개변수를 수집하기 위해 사용한다.
Given the whole parameter data set, we then construct a parameter subspace, generate new samples within the subspace,+ and finally simulate and augment synthetic data for training purposes.
그러고 나서 우리는 모든 매개변수 데이터 셋을 가지고, 매개변수 하위공간을 만들고, 하위 공간에서 새로운 샘플을 만들고, 결국에는 훈련하기 위해 합성 데이터를 시뮬레이트 하고 증강한다.
The experiment shows that our trained system can replace cantilever tests for quick, reliable and effective estimation of simulation-ready parameters.
실험은 우리의 훈련된 시스템이 cantilever 테스트를 빠르게 대체할 수 있고, 효과적인 시뮬레이션 준비 매개변수 추정을 위해서 신뢰할 수 있음을 보여준다.
Thanks to the use of the system, our simulator can now faithfully simulate bending effects comparable to those in the real world.
시스템을 사용한 덕에, 우리의 시뮬레이터는 실제 세계와 비교할 수 있는 신용적인 bending 효과 시뮬레이션을할 수 있다.
...
설명을 읽었지만, 글로만 보았을 때는 상당히 추상적이고 논문에서 주된 키워드가 의미하는 바를 이해하지 못하겠다. 이 분야에 관심있고 관련 논문에 익숙한 사람들은 각각의 키워드와 효과가 의미하는 바를 잘 알텐데 아직 공부가 부족한 것 같다.
