DressCode: Autoregressively Sewing and Generating Garments from Text Guidance

服装在人类外貌中的重要作用凸显了服装数字化对于数字人类创造的重要性。最近在3D内容创作方面的进展对于数字人类创造至关重要。然而，从文本指导中生成服装仍处于萌芽阶段。我们介绍了一种文本驱动的3D服装生成框架DressCode，旨在为新手民主化设计，并在时尚设计、虚拟试穿和数字人类创造方面提供巨大潜力。对于我们的框架，我们首先介绍了SewingGPT，这是一种基于GPT的架构，将交叉注意力与文本条件嵌入相结合，以文本指导生成缝纫图案。我们还为高质量的基于瓷砖的PBR纹理生成量身定制了预训练的Stable Diffusion。通过利用大型语言模型，我们的框架通过自然语言交互生成CG友好的服装。我们的方法还促进了图案完成和纹理编辑，通过用户友好的交互简化了设计师的流程。通过与其他最先进的方法的全面评估和比较，我们的方法展示了最佳的质量和与输入提示的对齐。用户研究进一步验证了我们的高质量渲染结果，突显了其在生产环境中的实用性和潜力。

本论文旨在通过引入一种基于文本指导的3D服装生成框架DressCode，解决从文本指导中生成服装的问题，以实现服装数字化和数字人类的创建。

论文提出了一种基于SewingGPT和Stable Diffusion的生成模型，通过自然语言交互生成CG友好的服装，同时实现了图案完成和纹理编辑，简化了设计师的流程。

论文使用了SewingGPT和Stable Diffusion生成模型，实现了基于文本指导的3D服装生成，同时进行了全面的评估和比较，并进行了用户研究以验证其高质量渲染结果的实用性和潜在生产应用。论文的方法具有很高的创新性和实用性。

最近在这个领域中的相关研究包括：Generative Fashion Design Using Spatial GAN和DeepFashion2，这些研究都是基于深度学习的技术，用于3D服装生成和虚拟试穿。