論文の概要: Learning-based Seam Correspondence Reconstruction in Sewing Patterns
- arxiv url: http://arxiv.org/abs/2607.21213v1
- Date: Thu, 23 Jul 2026 11:26:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.391616
- Title: Learning-based Seam Correspondence Reconstruction in Sewing Patterns
- Title（参考訳）: 縫い込みパターンの学習に基づくシーム対応再構築
- Abstract要約: 本稿では,2段階縫合情報,粗いパネル接続,きめ細かなシーム対応を再構築するグラフベースの学習フレームワークを提案する。
本手法は,多対一対応,パネル内シーム,湾曲シームなど複雑な縫製パターントポロジーをサポートする。
- 参考スコア（独自算出の注目度）: 28.401586989647186
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital sewing patterns typically consist of disjoint 2D panels without explicit stitch annotations, making downstream 3D modeling reliant on labor-intensive expert specification. In this paper, we present a graph-based learning framework that reconstructs two-level stitching information, coarse panel connectivity and fine-grained seam correspondence, from 2D panel geometry alone. At the coarse level, panel connectivity is inferred by predicting panel semantics associated with anatomical body regions, enforcing consistency with body structure and garment design conventions. Based on the reconstructed panel graph, fine-grained seam correspondences between panel pairs are inferred by learning latent edge representations that jointly encode local seam geometry and global garment context through graph message passing. The resulting edge embeddings are subsequently decoded into detailed seam correspondences. Our method supports complex sewing-pattern topologies, including many-to-one correspondences, intra-panel seams, and curved seams. Experiments demonstrate high stitching accuracy and strong generalization across garment styles.
- Abstract（参考訳）: デジタル縫製パターンは通常、明示的な縫合アノテーションのない2Dパネルで構成されており、下流の3Dモデリングは労働集約的な専門家仕様に依存している。
本稿では,2次元の縫合情報,粗いパネル接続,きめ細かなシーム対応を2次元のパネル形状だけで再構築するグラフベースの学習フレームワークを提案する。
粗いレベルでは、パネル接続性は、解剖学的身体領域に関連するパネルの意味を予測し、体の構造と整合性や衣服デザインの慣行を強制することによって推測される。
再構成されたパネルグラフに基づいて,パネルペア間の微粒なシーム対応を,グラフメッセージパッシングを通じて局所的なシーム形状とグローバルな衣服コンテキストを共同で符号化した潜在エッジ表現を学習することによって推定する。
結果として生じるエッジの埋め込みはその後、詳細なシーム対応にデコードされる。
本手法は,多対一対応,パネル内シーム,湾曲シームなど複雑な縫製パターントポロジーをサポートする。
実験は、衣服のスタイルにまたがって高い縫合精度と強い一般化を示す。
関連論文リスト
- Precise Top-Layer Fabric Segmentation for Fabric Destacking with Edge- and Shape-Aware Deep Networks [8.266820805797826]
重ね布地における上層布地セグメンテーションに適した,新しいセグメンテーショントレーニングアーキテクチャを提案する。
このメソッドは、2つの特殊なブランチを導入することで、古典的なエンコーダ/デコーダフレームワークを拡張している。
実世界のファブリックデータセットの実験では、トレーニングアプローチが確立されたベースラインを上回ることが示されている。
論文 参考訳（メタデータ） (2026-08-11T08:32:28Z) - See More, Match Better: Multi-Source Feature Fusion for Two-View Correspondence Learning [52.52121389921707]
2視点対応学習は、画像対における真対応(インレーシ)と偽対応(インレーシ)とを区別することを目的としている。
既存の手法は主に座標に基づく幾何の整合性に依存する。
本稿では,2視点対応学習のためのマルチソース機能融合フレームワークTriMatchを提案する。
論文 参考訳（メタデータ） (2026-06-08T09:33:01Z) - 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) - Learning Sewing Patterns via Latent Flow Matching of Implicit Fields [14.869592086908424]
暗黙の表現に基づく縫製パターンモデリング手法を提案する。
我々は、その境界を定義する符号付き距離場と、シームエンドポイントを識別する符号なし距離場を用いて、各パネルを表現している。
この表現において、潜水流マッチングモデルはパネル結合上の分布を学習し、縫合予測モジュールは抽出されたエッジセグメントから縫合関係を回復する。
論文 参考訳（メタデータ） (2026-01-25T08:18:39Z) - GarmageNet: A Multimodal Generative Framework for Sewing Pattern Design and Generic Garment Modeling [35.49678134341859]
GarmageNetは、2Dミシンパターンの作成を自動化する生成フレームワークである。
ガーマージ(Garmage)は、各パネルを構造的幾何学的イメージとしてエンコードする、新しい衣服表現である。
GarmageSetは14,801のプロフェッショナルデザインの衣服からなる大規模なデータセットである。
論文 参考訳（メタデータ） (2025-04-02T08:37:32Z) - Multimodal Latent Diffusion Model for Complex Sewing Pattern Generation [52.13927859375693]
テキストプロンプト,体形,着物スケッチによって制御される縫製パターンを生成するマルチモーダル生成モデルであるSwingLDMを提案する。
潜伏空間における縫製パターンの分布を学習するために,2段階のトレーニング戦略を設計する。
総合的定性的および定量的実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-12-19T02:05:28Z) - ISP: Multi-Layered Garment Draping with Implicit Sewing Patterns [57.176642106425895]
本稿では,現在のアプローチの限界に対処する衣服表現モデルを提案する。
これは、純粋に暗黙的な表面表現よりも高速で高品質な再構成をもたらす。
個々の2Dパネルを編集することで、衣服の形状やテクスチャを素早く編集できる。
論文 参考訳（メタデータ） (2023-05-23T14:23:48Z) - 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) - ISS: Image as Stetting Stone for Text-Guided 3D Shape Generation [91.37036638939622]
本稿では,2つのモダリティを接続するステップストーンとして2次元画像を導入することで,その課題に対して,イメージ・アズ・ステッピング・ストーン(ISS)と呼ばれる新しいフレームワークを提案する。
私たちの重要な貢献は、CLIP機能を形状にマッピングする2段階の機能空間アライメントアプローチです。
出力形状を新しいテクスチャで表現するために,テキストガイド型スタイル化モジュールを定式化する。
論文 参考訳（メタデータ） (2022-09-09T06:54:21Z)
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。