多様な生地を、学習で扱えるデータへ

素材や加工の組み合わせが増えるほど、生地の物理特性も多様になります。測定規格があっても、測ること自体が簡単ではなく、統一的に記述する難しさが残ります。私はKESの測定属性を予測するモデルに向けて、生地データをそろえるところから取り組みました。

素材・加工法・混合割合と、経緯の曲げ剛性、せん断剛性、経緯の伸び剛性、ドレープ度を結ぶ双方向推定。KRRからMLPへ接続し、順方向は物理特性の回帰、逆方向はSoftmaxによる混合割合を出力する。
素材・加工法・混合割合と物理特性を双方向に推定する、現在の概念図。KRR → MLPでつなぎ、混合割合はSoftmaxで合計100%にそろえます。 — 図版: Enzoviz — fabric research, 2026 redraw

同じトポロジーへそろえる

三次元データは点群として記録し、ポアソン再構築で形状にしました。そのままではモデルごとにトポロジーもデータサイズも異なります。学習で扱うために共通化しつつ、良い形状情報をできる限り残し、必要な部分を補間することが、位置合わせと形状転送の要点でした。

スキャンから訓練用モデルへの処理

3Dスキャンから、不正ジオメトリの除去、次元削減空間での位置合わせ、共通トポロジーへの形状転送、過度な変形の補正を経て学習用データへ整理する流れ。損傷が大きいデータは除外する。
不正形状の除去から共通トポロジーへの転送、変形補正まで。損傷が大きいデータは除外します。 — 図版: Enzoviz — fabric research, 2026 redraw

不良ジオメトリを見分ける

ポアソン再構築で生じた問題をそのまま残すと、次元削減空間での位置合わせがうまくいきませんでした。私は、次のようなメッシュの欠陥を検出して取り除く処理を実装しました。

  • トンネル
  • 重なり
  • 穴
トンネル・重なり・穴を持つメッシュの例
トンネル・重なり・穴を持つメッシュの例 — 図版: Enzoviz — fabric-scanning-ml

左から、トンネル、重なり、穴の例です。

再構築できる範囲を見極める

しわの山が大きく欠けるなど、元のスキャン品質が悪すぎる場合は、補間しても形の根拠が戻りません。そのようなデータは除外しました。当時扱ったデータでは97%強の生地3Dモデルを再構築でき、2D・3Dを組み合わせた学習用データセットの拡充につながりました。