PatternGSL: A Structured Specification Language for Template-Free and Simulation-Ready 3D Garments
作者: Zhenyang Li, Lutao Jiang, Yizhou Zhao, Ying-Cong Chen, Xin Wang, Weikai Chen, Yifan Peng
分类: cs.CV
发布日期: 2026-06-23
备注: 11 pages, 6 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出PatternGSL以解决3D服装重建中的模板依赖问题
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 3D服装重建 无模板方法 缝合结构 视觉-语言模型 生成建模 布料模拟 数据集
📋 核心要点
- 现有的无模板方法无法提供明确的缝合结构，而程序化系统又受限于预定义模板，导致几何重建与结构化服装构建之间存在表示差距。
- 本文提出PatternGSL，一种无模板且可学习的规范语言，能够完整编码缝合模式，提升缝合结构为生成建模的核心目标。
- 实验结果显示，PatternGSL在模式准确性、缝合结构恢复和布料模拟等方面均优于现有方法，且实现了模式级的编辑功能。
📝 摘要（中文）
从单张图像重建逼真且物理合理的服装仍然是一个基本挑战。现有的无模板方法虽然能够捕捉表面几何，但缺乏明确的缝合结构以便于模拟；而程序化系统则受限于预定义模板。这揭示了几何重建与结构化服装构建之间的根本表示差距。本文提出了PatternGSL，这是一种以无模板和可学习的规范语言形式表示的结构化服装表示，能够以紧凑和标准化的形式编码完整的缝合模式，包括面板边界、参数化缝合和明确的缝合拓扑。PatternGSL在保留基于模式模型的物理严谨性的同时，消除了模板依赖，将缝合结构提升为生成建模的首要目标。我们还提出了一种视觉-语言框架，能够直接从单张图像预测PatternGSL规范，并通过轻量级的确定性有效性处理将其解码为服装，无需基于优化的细化或手动清理。此外，我们引入了PatternGSLData，这是第一个大规模的图像到GSL配对数据集，包含30万样本及完整的缝合模式注释，支持结构化服装重建的监督VLM训练。实验表明，相较于先前的基线，PatternGSL在模式准确性、缝合结构恢复、可靠的布料模拟和模式级编辑方面均有显著提升。
🔬 方法详解
问题定义：本文旨在解决从单张图像重建3D服装时，现有方法在缝合结构和几何重建之间的表示差距。无模板方法缺乏明确的缝合结构，而程序化系统又受限于预定义模板，导致无法灵活生成服装。
核心思路：提出PatternGSL作为一种结构化服装表示，采用无模板且可学习的规范语言，能够完整编码缝合模式，消除模板依赖，将缝合结构提升为生成建模的核心目标。
技术框架：整体框架包括从单张图像预测PatternGSL规范的视觉-语言模型，以及通过轻量级的确定性有效性处理将其解码为服装的过程。该框架不依赖于优化过程或手动清理。
关键创新：最重要的创新在于PatternGSL的提出，它在保留物理严谨性的同时，消除了对模板的依赖，使得缝合结构成为生成建模的首要目标。
关键设计：在技术细节上，PatternGSL编码了完整的缝合模式，包括面板边界、参数化缝合和缝合拓扑，确保了生成服装的物理合理性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PatternGSL在模式准确性上相较于先前基线提升了显著的性能，具体表现为缝合结构恢复的可靠性和布料模拟的准确性。此外，PatternGSL实现了模式级的编辑功能，进一步增强了其应用潜力。
🎯 应用场景
该研究的潜在应用领域包括时尚设计、虚拟试衣间和游戏开发等。通过提供一种灵活且高效的服装生成方法，PatternGSL能够大幅提升服装设计的效率和创意，推动相关行业的发展。未来，该技术可能会在个性化定制和自动化设计中发挥重要作用。
📄 摘要（原文）
Reconstructing realistic, physically plausible garments from a single image remains a fundamental challenge. Template-free methods capture surface geometry but lack explicit sewing structure for simulation; while programmatic systems are simulation-ready but constrained by predefined templates. This reveals a fundamental representation gap between geometric reconstruction and structured garment construction. We present PatternGSL, a structured garment representation in the form of a template-free and learnable specification language that encodes complete sewing patterns, including panel boundaries, parameterized seams, and explicit stitch topology, in a compact and standardized form. PatternGSL preserves the physical rigor of pattern-based models while removing template dependence, elevating sewing structure as a first-class target for generative modeling. We further propose a vision-language framework that predicts PatternGSL specifications directly from a single image and decodes them into garments using lightweight deterministic validity handling, without optimization-based refinement or manual cleanup. In addition, we introduce PatternGSLData, the first large-scale image-to-GSL paired dataset comprising 300K samples with complete sewing pattern annotations, enabling supervised VLM training for structured garment reconstruction. Experiments demonstrate improved pattern accuracy over prior baselines, explicit sewing-structure recovery, reliable cloth simulation, and pattern-level editing through the same deterministic decoding pipeline. Code and data-processing scripts will be released at https://github.com/PatternGSL/PatternGSL.