DressCode: Autoregressively Sewing and Generating Garments from Text Guidance

服装在人类外观中的重要作用凸显了服装数字化对数字人类创造的重要性。最近的3D内容创作的进展对数字人类的创造至关重要。然而，从文本指导中生成服装仍然处于萌芽阶段。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，它将交叉注意力与文本条件嵌入相结合，以生成具有文本指导的缝制图案。我们还为高质量、基于瓷砖的PBR纹理生成定制了一个预训练的稳定扩散。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过程。这个框架通过允许创作者自由地尝试设计并将独特的元素融入到他们的作品中，从而激发了新的想法和艺术可能性，从而促进了创新。通过与其他最先进方法的全面评估和比较，我们的方法展示了最佳的质量和对输入提示的对齐。用户研究进一步验证了我们的高质量渲染结果，突出了它在生产环境中的实用性和潜力。我们的项目页面是https://IHe-KaiI.github.io/DressCode/。

论文介绍了一个文本驱动的3D服装生成框架DressCode，旨在为初学者民主化设计，并在时尚设计、虚拟试穿和数字人类创建方面提供巨大潜力。

该框架利用大型语言模型，通过自然语言交互生成CG友好的服装，同时还促进了图案完成和纹理编辑，简化了设计过程。

论文介绍了SewingGPT和Stable Diffusion两种新的算法，分别用于生成缝纫图案和高质量的纹理，实验结果表明该方法在输入提示的质量和对齐方面表现最佳，同时用户研究进一步验证了高质量的渲染结果，突出了其在实际生产环境中的实用性和潜力。项目页面提供了源代码和数据集。

最近的相关研究包括：1. Neural Garment Design，2. Learning to Dress 3D People in Generative Clothing，3. ClothCap: Seamless 4D Clothing Capture and Retargeting。