El Centro de Visión por Computador y la Universidad de Barcelona ha desarrollado CLOTH3D, el primer conjunto de datos sintéticos 3D a gran escala que prueba virtualmente la ropa sobre diferentes formas corporales.
Con la actual crisis sanitaria de la covid-19 se ha extendido la compra por internet y la ropa no escapa a esta tendencia. Sin embargo, saber cómo sienta una prenda a un cuerpo determinado o conocer previamente si estamos acertando con la talla no es sencillo.
Un equipo de investigadores del Grupo Human Pose Recovery and Behavior Analysis del Centro de Visión por Computador (CVC) y de la Universidad de Barcelona (UB) ha desarrollado CLOTH3D con el propósito de solucionar este problema. El proyecto incluye el primer conjunto de datos sintéticos a gran escala de secuencias humanas en 3D vestidas, publicado recientemente en la revista Computer Vision - ECCV 2020 Workshops.
“Estos datos consisten en un conjunto de varios miles de secuencias en las que diferentes personas realizan acciones como bailar, caminar, saltar, trepar o posar. Estos cuerpos humanos son representados como objetos en 3D que vestimos automáticamente con un algoritmo que genera prendas de manera aleatoria y de distintos materiales (algodón, tejano, seda y cuero). Después, utilizamos una herramienta que simula físicamente la tela”, dice a SINC Sergio Escalera, autor principal del estudio en el CVC y la UB.
El resultado es una secuencia en la que la ropa muestra dinámicas y deformaciones realistas. Gracias a la aleatoriedad del proceso de generación de prendas de ropa, los científicos obtienen miles de secuencias en las que no se repite un conjunto. Esta gran variabilidad es crucial para su utilidad en el denominado aprendizaje profundo.
En este sentido, la Inteligencia Artificial y el aprendizaje profundo (deep learning) tienen un papel clave en el modelado y la generación de prendas de ropa en 3D. Según los investigadores, estos modelos supondrán un gran avance para mejorar la experiencia de los probadores virtuales, al facilitar el trabajo de los diseñadores y animadores.
“El aprendizaje profundo ha demostrado un enorme progreso en el área 3D recientemente. Sin embargo, este tipo de modelos necesitan una gran cantidad de datos para poder aprender. En el contexto de la ropa, no encontrábamos un conjunto de datos público y suficientemente grande y variado como para desarrollar modelos basados en aprendizaje profundo. Gracias a la gran variedad de prendas y las físicas realistas que aportan nuestros datos, será posible mejorar o crear nuevos modelos que puedan generar predicciones más realistas”, añade Escalera.
Hasta ahora, los modelos para simular prendas sobre diferentes formas del cuerpo eran sobre todo en 2D. Esto se debe a que los modelos 3D necesitan una enorme cantidad de datos.
“Un gran candidato para aprovechar tal tecnología son los probadores virtuales, para los cuales es necesario aprender a modelar cientos de prendas de ropa diferentes, con diferentes materiales, tamaños y topologías”, explica el científico.
Hay tres estrategias principales para producir datos 3D de personas vestidas: escaneos 3D, la generación de 3D a partir de imágenes convencionales y la generación sintética. Según los investigadores, los escaneos 3D, son costosos y no son capaces de diferenciar el cuerpo de la ropa, “es decir, como mucho pueden extraer la forma 3D, como si cuerpo y ropa fuesen un único objeto”.
Por otro lado, los conjuntos de datos que infieren la geometría 3D de la ropa a partir de imágenes convencionales “son inexactos y no pueden modelar adecuadamente la dinámica de la prenda de ropa”, aseguran. Por último, los datos sintéticos son fáciles de generar y están libres de errores de medida.
“Como se necesitan muchos datos para desarrollar modelos 3D, decidimos generar nuestros propios datos. Hemos diseñado y publicado el mayor conjunto de datos de este tipo con una gran variedad de vestuario y un amplio rango de movimientos de la ropa”, añade Hugo Bertiche, coautor del trabajo.
CLOTH3D contiene una gran variabilidad en el tipo de prenda, forma, tamaño, tirantez y tejido. La ropa se simula sobre miles de poses y formas corporales diferentes, lo que genera una dinámica de la ropa muy realista. CLOTH3D es único en términos de variabilidad de prendas, formas y poses, e incluye más de 2 millones de muestras 3D.
“Desarrollamos una línea de generación que crea un conjunto único para cada secuencia en términos de tipo de prenda, topología, forma, tamaño, ajuste y tejido. Mientras que otros conjuntos de datos contienen pocas prendas diferentes, el nuestro tiene miles, lo que le convierte en el conjunto de datos más grandes existente en la actualidad en este campo. Pero no nos hemos quedado solo en el desarrollo, sino que lo hemos publicado en acceso abierto para que todo tipo de públicos pueda acceder a él”, asegura Escalera.
Este generador aleatorio de ropa cubre una gran porción de las prendas que podemos ver a diario (camiseta, camisa, top, pantalón, falda, vestido y mono), con distintos cortes, tamaños y formas. Sin embargo, la variabilidad en la ropa en el mundo real está limitada únicamente por la imaginación. Por esto mismo, la labor de complementar estos datos con nuevas prendas de ropa deberá continuar indefinidamente.
“Por otro lado, la tecnología de simulación de ropa mediante físicas por ordenador sigue en constante evolución. Esto permite crear nuevos datos con un nivel de detalle mucho mayor –potencialmente hasta el nivel de hilo– y de una manera mucho más eficiente –menor coste de computación–. Finalmente, dado que el objetivo de estos datos es ayudar en el desarrollo de nuevos modelos, diseñarlos forma parte de los siguientes pasos a tomar en esta dirección”, indica.
Pero la industria textil no es la única que podría aprovechar este conjunto de datos, “la industria del entretenimiento también podría beneficiarse, ya que las películas con imágenes generadas por computador y los videojuegos podrían ser aún más realistas”, argumenta Bertiche.
“Ya hemos detectado interés por parte de muchas empresas del sector privado. No obstante, actualmente el dataset está en abierto para todo tipo de público únicamente si lo van a utilizar para finalidades científicas”, asegura Escalera.
Los datos del estudio son públicos para permitir que investigadores de cualquier parte del mundo puedan aprovecharlos para diseñar y entrenar modelos basados en el aprendizaje profundo, que refleja mejor el comportamiento de la ropa en 3D. “En el contexto de ropa en 3D, los conjuntos de datos públicos son más bien escasos y con poca variabilidad de vestuario. Por eso, nuestros datos cumplen una función importante en dicho contexto”, concluye el experto.
Pruebas para el desarrollo del proyecto. / CVC
Referencia:
Escalera S. “CLOTH3D: Clothed 3D Humans”. Computer Vision – ECCV 2020
La velocidad se incrementa a medida que el futbolista se acerca al balón, sin embargo, disminuye ligeramente al llegar a él. Los delanteros son los que corren más directamente hacia el esférico, mientras que los porteros lo hacen de una forma más paralela. Son algunos resultados de un estudio de investigadores españoles.
Investigadores de la compañía Google DeepMind han desarrollado Tactic AI, un asistente que podría ayudar a los entrenadores a elegir las mejores configuraciones de jugadores tras un saque de esquina. La herramienta se ha entrenado con datos de más de 7000 córneres de la Premier League y la han validado expertos del Liverpool FC.
