Automatic Digital Garment Initialization from Sewing Patterns

问题背景

随着数字时尚和生成式 AI 的发展，数字缝纫样板（sewing pattern）越来越容易获取。一个自然的诉求是：能否全自动地把一份数字样板转换成穿在人体化身上、合体的三维数字服装？

核心困难在于布料仿真的非唯一性——仿真目标函数存在大量局部极小值。作者用一个直观例子说明：一条布带从两端受压时，既可以向前弯也可以向后弯，产生不同的折叠结果。当仿真目标里再加入碰撞势能时，这种非唯一性会被进一步放大，导致各种视觉瑕疵：

• 布片自身折叠（self-folding）；
• 布片与人体穿插（cloth-body intersection）；
• 布片被错误地卡在人体之外（misplaced piece）。

缓解局部极小值最自然的方法是提供一个良好的初始化：让缝纫布片无折叠、无穿插地环绕在人体周围，从而让后续的物理仿真能够顺利把它们缝合成合理的服装。这种无穿插的初始化对于依赖连续碰撞检测（CCD）和内点法（IPC）的仿真器尤为重要。

以往工作大多聚焦于缓解仿真的数值不稳定性，而忽略了初始化本身的难度。把布片分配到身体部位相对容易（可从样板形状和标签自动提取或人工指定），但一旦分配完成，确定每个布片的初始形状就变得非常复杂——因为布片是可形变的，极易产生过度折叠和穿插。传统做法是把布片放到身体部位的预定位置，再投影到预定义的柱面或平面上，但这套方法在面对小布片、多层结构、非对称缝纫边界（如抽褶 gathering）的复杂服装时需要大量人工干预。

核心方法

作者提出一个混合式自动初始化系统，结合 AI 分类、启发式规则和数值优化，把用户干预降到最低。系统的核心是分阶段（phased）方法：一次只初始化一个（或一小组）布片，并在每个阶段逐步引入目标势能。这种分阶段策略带来三个优势：

• 高效：每次只优化一小组布片；
• 方便处理布片间穿插：可以根据布片排列顺序来解决穿插；
• 用户友好：允许在必要时插入人工干预，尤其当输入样板不完美时。

系统由三大流程组成，其核心是一个选择—排列（selection-arrangement）循环，顺序排列布片直到全部完成：

排列顺序的三条关键洞察

• 自上而下排列：从上到下排列，让已初始化的部分服装能有效对抗重力；
• 优先大布片：大布片显著影响后续小布片的排列；
• 躯干附近的布片早排列：颈部、腰部等躯干周围的布片先排，便于其他布片围绕身体生长，避免被错误定位。

背景定义

在二维样板空间中，两个布片 \(P\) 和 \(P'\) 通过一对顶点 \(\{i, i' \mid i \in P, i' \in P'\}\) 建立缝纫关系，它们由一根参考长度为零的”缝纫串”（sewing string）连接，意味着在最终三维服装中这两个顶点会重合。若一条边 \(e = \{i, j\}\) 的两个端点都连向 \(P'\)，则称其为缝纫边界边，所有这样的边构成 \(P\) 的缝纫边界 \(\partial P\)。样板中的省道（dart）特征则被处理为内部弹性弹簧，贡献形变势能。

技术细节

1. 播种（Seeding）

播种流程既要确定种子布片及其位置，又要初始化种子形状。作者的关键观察是：颈部、腰部或胸部布片往往是更有效的种子。

AI 种子选择：对每个布片，用径向采样（radial sampling）构造形状特征，但仅靠形状不足以判别类别（很多布片形状相似却对应不同部位）。因此还编码了它与邻居布片的缝纫关系特征。缝纫关系特征定义为：

\[S_{P \to P'} = \sum_{e' \in \partial P'} C(e', P)\, U(e')\]

其中 \(U(e')\) 是 \(P'\) 中边 \(e'\) 下方的列面积，\(C(X, Y)\) 是判断集合 \(X\) 中每个顶点是否都与 \(Y\) 有缝纫串连接的指示函数。直观上，\(S_{P \to P'}\) 大意味着 \(P\) 位于一个”厚重”布片 \(P'\) 之上，暗示 \(P\) 可能是颈/腰部布片。该系统建立在两层图注意力网络（GAT）之上：第一层用注意力机制聚合布片自身及周围的形状与缝纫关系特征，第二层作为分类器，用 softmax 预测布片属于七类之一（颈、腰、前胸、后胸、前盆、后盆、其他）。

人工种子选择：若 AI 选择失败或明显错误，用户可从系统提供的 15 个预定义位置中手动指定种子。

种子初始化：选定种子后，通过求解优化问题初始化其在人体周围的形状 \(x \in \mathbb{R}^{3N}\)：

\[F_{\text{init}}(x) = F_{\text{cent}}(x) + F_{\text{up}}(x) + F_{\text{dist}}(x) + F_{\text{def}}(x)\]

• 居中势能 \(F_{\text{cent}}(x) = \frac{1}{2} k_{\text{ctr}} \lVert x_c - x_{0c} \rVert^2\)：把种子几何中心拉向指定身体部位位置；
• 向上势能 \(F_{\text{up}}\)：维持种子朝上的朝向；
• 身体距离势能 \(F_{\text{dist}}\)：把种子推离身体并保持指定的布体距离 \(D\)，并对朝向身体的顶点禁用该势能，防止陷入自折叠局部极小；
• 形变势能 \(F_{\text{def}}\)：用弹簧模型限制平面形变，用二次弯曲模型限制弯曲形变，并刻意设置较高的弯曲刚度以防止细节皱纹的自穿插。

2. 布片选择（Selection）

用启发式打分函数选出下一个待排列布片：

\[H(P) = \frac{\sum_{e \in \partial P} C(e, \bar{P})\, L_{0e}}{\sum_{e \in \partial P} L_{0e}} + s_a A(P) + s_b S_{\bar{P} \to P}\]

其中 \(\bar{P}\) 是已排列布片集合，\(L_{0e}\) 是边 \(e\) 的参考长度，\(A(P)\) 是布片参考面积。三项分别：优先缝纫边界大部分已被 \(\bar{P}\) 确定的布片、优先大布片、优先能从顶部良好支撑的布片（避免因缺乏顶部支撑而在重力下过度下垂）。

多布片选择：出于两个原因需要同时排列多个布片——(1) 一个布片可能因不同面料被拆分成多个组件（如风衣），需要作为整体排列；(2) 并行化考虑。系统平均每个布片仅 197 个顶点，一半以上不足 100 个顶点，逐个排列无法发挥并行能力。因此系统迭代地累加布片直到顶点总数达到上限（设为 1024）。实验表明该做法减少 60%~80% 的计算时间。

3. 布片排列（Arrangement）

把新选布片的排列表述为优化问题：

\[F(x) = F_{\text{def}}(x) + F_{\text{sew}}(x) + F_{\text{ext}}(x) + F_{\text{body}}(x) + F_{\text{self}}(x)\]

由于直接求解易陷入局部极小，作者采用分阶段方法，分三步逐步引入新势能：

(a) 初始对齐（Initial Alignment）：先用仿射变换 \(\{t, A\}\) 最小化 \(P\) 与 \(\bar{P}\) 之间的缝纫间隙：

\[\{t, A\} = \arg\min \sum_{\{i,j\} \in S,\, i \in P,\, j \in \bar{P}} \lVert t + A r_i - x_j \rVert^2\]

采用形状匹配的闭式解求解。随后用截断目标 \(F(x) = F_{\text{def}} + F_{\text{sew}} + F_{\text{ext}}\) 优化形状，其中缝纫势能 \(F_{\text{sew}} = \frac{1}{2} k_{\text{sew}} \sum \lVert x_i - x_j \rVert^2\)，外部势能 \(F_{\text{ext}}\) 防止已排列布片离开其位置。问题域取 \(P\) 与 \(\bar{P}\) 缝纫边界的两环邻域之并集。

(b) 身体穿插移除（Body Intersection Removal）：加入身体排斥势能：

\[F_{\text{body}}(x) = \frac{1}{2} k_{\text{body}} \sum_i \left( \min(\phi(x_i) - \epsilon, 0) \right)^2\]

其中 \(\phi\) 是身体的有向距离场（用快速行进法构造），\(\epsilon = 4\text{mm}\)。若一次性对所有顶点激活排斥，容易陷入带穿插的局部极小。作者的关键思路是：与 \(\bar{P}\) 相连的缝纫边界顶点不存在穿插问题，因此从缝纫边界出发用广度优先搜索逐步激活各顶点势能，模拟现实中穿衣的过程——身体伸展时衣服解缠并覆盖身体。

(c) 形状精修（Shape Refinement）：解决布料自穿插并进一步精修形状。作者只处理布片间（inter-piece）穿插，假设 \(P\) 与已排列 \(\bar{P}\) 形成”内外关系”（\(P\) 应位于 \(\bar{P}\) 法向的外侧），对每个顶点及其在 \(\bar{P}\) 中最近三角形施加自排斥势能：

\[F_{\text{self}}(x) = \frac{1}{2} k_{\text{self}} \sum_{i \in P} \left( \min\left( (x_i - x_j) \cdot n(t) - \epsilon, 0 \right) \right)^2\]

其优势是无需在排列阶段完全消除穿插（那需要很大的 \(k_{\text{self}}\) 和大量计算），残余穿插可在后处理中解决，因为布片排列顺序一旦确定，内外关系就不再改变。精修分两阶段：先引入自排斥并把弯曲刚度降回默认值让布料更易弯曲；再加入温和重力项让布料自然下垂，并把问题域扩展到缝纫边界的 16 环邻域，以精修抽褶等边界形状。

终止条件：通过三条准则评估排列质量并决定是否重访（revisit）：

\[\theta_{\text{in}} = \min_{\{t_0,t_1\} \in N} n(t_0) \cdot n(t_1) < \theta^0_{\text{in}}\]

• \(\theta_{\text{in}}\) 检测布片是否过度折叠或自穿插——若成立说明迭代次数不足，重复排列；
• \(\theta_{\text{out}}\) 检测两相邻布片沿缝纫边界是否过度折叠（也可能是裆部等有意设计），若成立只重访一次并接受结果；
• \(s_{\text{max}}\) 检测弹簧边是否被过度拉伸（通常源于布体穿插），若成立则扩充选择集（纳入邻居布片）后重访。

后处理

系统还提供后处理：用小步长和更大排斥强度对整件服装做准静态仿真，让服装在重力下稳定、消除残余穿插，并把身体调整到目标姿态（若不同于 A-pose）。

系统假设

身体需已绑定并预定义各部位位置、处于双臂外展 50° 的 A-pose；样板需包含完整缝纫关系、被降采样到平均顶点间距 20mm 的均匀低分辨率；每个布片需背向身体、在样板空间中直立朝向。

实验结果

系统完全在 CPU 上实现（保证跨硬件兼容），求解器采用带 Jacobi 预条件和 Chebyshev 加速的并行梯度下降（\(\alpha = 0.4\)，\(\rho = 0.9994\)），所有例子使用一致参数。

• 数据集与训练：为训练分类网络，收集了 23,276 份缝纫样板（涵盖裤装、连衣裙、衬衫、外套等），每份都带缝纫关系并按身体部位标注。80% 训练、20% 测试。训练用 AdamW（初始学习率 \(5 \times 10^{-5}\)），在两块 RTX 4090 上跑 90,000 次迭代、约 11 小时。
• 评测规模：用 21 份样板、6 种体型评估。降采样后顶点数 1.5K~23K，布片数 7~358，平均每片 197 顶点，约 52% 的布片顶点数不超过 100。
• 效率：排列流程是最耗时的，其中初始对齐和形状精修最贵。52% 的例子只需 0 或 1 次重访，仅 10% 需要 2 次以上。多数例子可在 10 秒内完成；图 1 的被子外套（358 片）可在 17 秒内完成无折叠无穿插的初始化。
• 种子检测：数据集中 86% 的样板含颈/腰部布片。系统检测颈或腰部布片的成功率 96%，胸部布片 89%，整体识别率约 95%。分析表明颈、腰部布片作为种子比胸部及其他更有效。
• 失败分析：失败分两类——(1) 无效播种导致的重大瑕疵（无法通过简单人工干预修复，需重选种子），21 件中有 2 件（被子外套、吊带裙）需人工重选；(2) 轻微瑕疵（布片间穿插、布片错位、布片内穿插），81% 的服装无轻微瑕疵，其余可通过简单人工操作修复。
• 总体成功率：用自动选种，15/21 件服装无任何重大或轻微瑕疵。结合 95% 的种子检测率，估计系统整体成功率约 68%，其余情况也可通过简单用户操作解决。

贡献与局限

主要贡献：

1. 播种：训练分类网络自动选择种子布片，并用几何优化初始化种子形状；关键观察是颈/腰部布片是更有效的种子。
2. 选择：提出选择下一布片的启发式函数，并给出同时排列多个布片的判据及自动检测—合并算法。
3. 排列：将布片排列表述为优化问题，用分阶段引入势能的方式化解局部极小，并给出排列质量评估准则以触发重排。

局限：

• 系统对身体和样板输入有严格要求（A-pose、完整缝纫关系、直立朝向、背向身体等）。”布片需背向身体”的要求与内衬、领子等设计相矛盾，目前靠预/后处理翻转朝向来缓解，破坏了全自动流程。
• 即便满足要求，样板缺失颈/腰/胸部布片时的无效播种仍可能导致失败；初始形状可能残留轻微瑕疵。
• 使用降采样网格和有向距离场，未考虑与指尖、发丝等精细身体部位的穿插。
• 尚未测试面向类人或动物身体设计的服装。

未来工作：用更多服装案例和多样人体化身验证系统；利用 AI 模型降低对种子选择和排列顺序的依赖；去除样板必须包含完整缝纫关系的要求，以减轻数字打版师和样板生成算法的负担。