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: 2026-07-05
💡 一句话要点
提出PatternGSL以解决无模板3D服装重建问题
🎯 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-语言框架 生成建模 数据集
📋 核心要点
- 现有的无模板服装重建方法无法提供明确的缝合结构，导致在物理模拟中存在局限性。
- 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，提升了生成建模的能力。
- 实验结果显示，PatternGSL在模式准确性、缝合结构恢复和布料模拟方面均优于现有方法，且支持模式级别的编辑。
📝 摘要（中文）
从单幅图像重建真实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。我们进一步提出了一种视觉-语言框架，能够直接从单幅图像预测PatternGSL规范，并使用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。实验结果表明，相较于先前的基线，模式准确性得到了提升，缝合结构的恢复更为明确，布料模拟可靠，并且通过相同的确定性解码管道实现了模式级别的编辑。
🔬 方法详解
问题定义：本文旨在解决从单幅图像重建3D服装时，现有方法在缝合结构明确性和物理模拟能力上的不足。无模板方法缺乏缝合结构，而程序化系统又受限于预定义模板，导致两者之间存在表示差距。
核心思路：提出PatternGSL作为一种结构化的服装表示语言，能够在无模板的情况下完整编码缝合模式，提升缝合结构的明确性，并将其作为生成建模的核心目标。
技术框架：整体架构包括从单幅图像预测PatternGSL规范的视觉-语言框架，以及将这些规范解码为服装的轻量级处理模块。该框架避免了传统方法中的优化细化和手动清理步骤。
关键创新：PatternGSL的最大创新在于其无模板的设计，使得缝合结构成为生成模型的首要目标，克服了以往方法的局限性。
关键设计：在技术细节上，PatternGSL编码了面板边界、参数化缝合和缝合拓扑，确保了物理模拟的严谨性，同时通过确定性解码处理实现了高效的服装生成。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PatternGSL在模式准确性上较先前基线提高了显著的百分比，成功恢复了明确的缝合结构，并实现了可靠的布料模拟。此外，通过相同的确定性解码管道，PatternGSL支持了模式级别的编辑，展示了其在实际应用中的灵活性和有效性。
🎯 应用场景
该研究在时尚设计、虚拟试衣、游戏开发等领域具有广泛的应用潜力。通过提供一种高效的服装重建方法，能够帮助设计师快速生成符合物理规律的服装模型，提升设计效率和创作自由度。此外，PatternGSL的引入可能会推动相关领域的进一步研究与发展。
📄 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 atthis https URL.