GarmentImage：面向多样拓扑结构的服装缝纫纸样栅格编码

服装缝纫纸样是服装背后的设计语言，然而其当前基于矢量的数字表示并非为机器学习而构建。基于矢量的表示将缝纫纸样编码为一组离散的裁片，每个裁片由一系列直线和曲线、裁片间的缝合信息以及每个裁片在人体周围的放置位置定义。然而，这种表示给神经网络带来了两个主要挑战：不同拓扑结构纸样之间潜在空间的不连续性，以及对训练数据中未见拓扑结构服装的泛化能力有限。在这项工作中，我们引入了GarmentImage，一种统一的基于栅格的缝纫纸样表示方法。GarmentImage将服装缝纫纸样的几何形状、拓扑结构和放置信息编码到多通道规则网格中。在GarmentImage上训练的机器学习模型实现了不同拓扑结构纸样之间的无缝过渡，并且与在基于矢量的表示上训练的模型相比，展现出更好的泛化能力。我们通过三个应用展示了GarmentImage的有效性：潜在空间中的纸样探索、基于文本的纸样编辑以及图像到纸样的预测。结果表明，仅使用简单的卷积网络，GarmentImage在这些应用上就取得了优越的性能。