論文の概要: Stitched Embeddings: A Unified Latent Space for 3D Garments and 2D Patterns

• arxiv url: http://arxiv.org/abs/2607.00829v1
• Date: Wed, 01 Jul 2026 11:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.879539
• Title: Stitched Embeddings: A Unified Latent Space for 3D Garments and 2D Patterns
• Title（参考訳）: Stitched Embeddings: 3Dガーメントと2Dパターンのための一貫した潜在空間
• Authors: Andrea Sanchietti, Riccardo Marin, Bharat Lal Bhatnagar, Yuanlu Xu, Gerard Pons-Moll,
• Abstract要約: 従来の仕立ては2D縫製パターンに依存しているが、これらのパターンを3D幾何学にブリッジするには物理シミュレーションが必要である。 我々は3次元衣服の再構築と縫製パターンの推論を統一する初めてのシミュレーション不要なフレームワークであるStitched Embeddingsを提案する。
• 参考スコア（独自算出の注目度）: 35.36349252329493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While garments are essential for realistic digital humans, their topological variety makes them much harder to model than parametric bodies. Traditional tailoring relies on 2D sewing patterns, yet bridging these patterns to 3D geometry currently requires physical simulations. We present Stitched Embeddings, the first simulation-free framework to unify 3D garment reconstruction and sewing pattern inference within a single bidirectional latent space. By leveraging the geometric priors of a pretrained 3D foundation model, our approach overcomes the data scarcity typically associated with high-quality garment modeling. We propose to use the BoxMesh as a critical intermediate representation to align 2D panels into 3D configurations without the computational overhead of a simulator. This architecture achieves state-of-the-art accuracy in pattern reconstruction while significantly improving efficiency. Furthermore, our differentiable pipeline enables novel applications, including pattern recovery from meshes and 3D editing from 2D patterns. Finally, this work provides a scalable link between neural 3D vision and the physical garment manufacturing pipeline. Project Page: https://andreus00.github.io/stitchedembeddings
• Abstract（参考訳）: 衣服はリアルなデジタル人間には欠かせないものだが、そのトポロジカルな多様性は、パラメトリックな体よりもモデル化を非常に困難にしている。 従来の仕立ては2D縫製パターンに依存しているが、これらのパターンを3D幾何学にブリッジするには物理シミュレーションが必要である。 単方向潜伏空間内で3次元衣服の再構築と縫製パターンの推論を統一する初のシミュレーションフリーフレームワークであるStitched Embeddingsを提案する。 事前訓練された3次元基礎モデルの幾何学的先行性を活用することにより,本手法は,高品質な衣料モデリングに係わるデータ不足を克服する。 我々は,BoxMeshを重要な中間表現として用いて,シミュレータの計算オーバーヘッドを伴わずに2次元パネルを3次元構成に整列させることを提案する。 このアーキテクチャは、パターン再構成における最先端の精度を実現し、効率を著しく向上させる。 さらに,メッシュからのパターンリカバリや2Dパターンからの3D編集など,新たなアプリケーションを実現する。 最後に、この研究は、ニューラルネットワークの3Dビジョンと物理的な衣服製造パイプラインとのスケーラブルなリンクを提供する。 Project Page: https://andreus00.github.io/stitchedembeddings

関連論文リスト

• Garment Particles: A 2D--3D Symmetric Garment Representation for Generation and Editing [53.22574954013334]
  Garment Particlesは、2Dミシンパターンと3D幾何学を共同でエンコードする5Dポイントクラウド表現である。 高レベルの入力(テキスト、画像、スケッチ)から直感的な生成をサポートし、2Dミシンパターンと3Dジオメトリの様々な編集操作をサポートする。 また, 衣服, 縫製パターンの編集, ポイントクラウド, シルエットコンディショナブルな衣服生成など, 衣服編集のシナリオを多数用意した。
  論文  参考訳（メタデータ） (2026-05-25T23:43:54Z)
• InverseDraping: Recovering Sewing Patterns from 3D Garment Surfaces via BoxMesh Bridging [17.48763627703864]
  構造化中間表現であるBoxMeshに着目した2段階のフレームワークを提案する。 BoxMeshは、衣服レベルの幾何学とパネルレベルの構造を3Dでエンコードする。 我々は,パネル構成と縫合関係の変動長と構造特性を自然に扱うために,自己回帰モデリングを採用する。
  論文  参考訳（メタデータ） (2026-04-03T06:19:12Z)
• SwiftTailor: Efficient 3D Garment Generation with Geometry Image Representation [14.56053056455189]
  縫製パターン推論と幾何学に基づくメッシュ合成を統合するフレームワークであるSwiftTailorを紹介する。 SwiftTailorは最先端の精度と視覚的忠実度を実現し、推論時間を大幅に短縮する。 この作業は、次世代の3D衣服生成のためのスケーラブルで解釈可能で高性能なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-19T15:47:43Z)
• Single View Garment Reconstruction Using Diffusion Mapping Via Pattern Coordinates [45.48311596587306]
  画像から3Dの服を着た人間を再構築することは、仮想トライオン、アバター作成、混合現実などの応用に基本となる。 本稿では,2次元および3次元の表現をブリッジする単一画像から高忠実度3次元衣服を復元する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-11T08:39:18Z)
• DiffusedWrinkles: A Diffusion-Based Model for Data-Driven Garment Animation [10.9550231281676]
  2次元画像拡散モデルを用いて3次元衣料のアニメーションを生成するためのデータ駆動方式を提案する。 提案手法は,多種多様な衣料品や体型のための高品質な3Dアニメーションを合成することができる。
  論文  参考訳（メタデータ） (2025-03-24T06:08:26Z)
• FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
  テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。 このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。 本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-13T01:25:05Z)
• SSR-2D: Semantic 3D Scene Reconstruction from 2D Images [54.46126685716471]
  本研究では,3Dアノテーションを使わずにセマンティックなシーン再構成を行う中心的な3Dシーンモデリングタスクについて検討する。 提案手法の鍵となる考え方は,不完全な3次元再構成と対応するRGB-D画像の両方を用いたトレーニング可能なモデルの設計である。 本研究では,2つの大規模ベンチマークデータセットであるMatterPort3DとScanNetに対して,セマンティックシーン補完の最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-02-07T17:47:52Z)
• Structure-Preserving 3D Garment Modeling with Neural Sewing Machines [190.70647799442565]
  構造保存型3D衣料モデリングのための学習ベースフレームワークであるニューラル縫製機械(NSM)を提案する。 NSMは、多様な衣服形状とトポロジで3D衣服を表現でき、保存された構造で2D画像から3D衣服をリアルに再構成し、3D衣服カテゴリー、形状、トポロジを正確に操作することができる。
  論文  参考訳（メタデータ） (2022-11-12T16:43:29Z)
• GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images [72.15855070133425]
  本稿では,複雑なトポロジ,リッチな幾何学的ディテール,高忠実度テクスチャを備えたExplicit Textured 3Dメッシュを直接生成する生成モデルであるGET3Dを紹介する。 GET3Dは、車、椅子、動物、バイク、人間キャラクターから建物まで、高品質な3Dテクスチャメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-09-22T17:16:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。