过去两年，AIGC 在服装行业已经变得相当具体。
设计师可以用文字生成灵感图，品牌可以快速制作营销素材，电商团队也开始尝试数字人、虚拟试穿和自动化内容生产。人们很容易看到这些变化，因为它们直接出现在屏幕上，也直接面对消费者。
可一件衣服最终要被生产出来。效果图再漂亮，也要落到版型、缝合关系、面料和工艺上。平面的布片怎样裁，哪些边需要缝在一起，缝完以后怎样形成合体的三维形态，这些环节决定了一件衣服能否从设计概念走进生产流程。
生成一张服装图片，与生成一件能够继续修改、仿真和生产的服装，隔着很长的一段路。
Style3D Research 此前公开的 GarmageNet，处理的正是这段路。论文入选 ACM Transactions on Graphics，并发表于 SIGGRAPH Asia 2025。研究由 Style3D 联合浙江理工大学、浙江大学 CAD&CG 国家重点实验室和上海交通大学完成。这项工作关注的不是单纯的服装外观生成，而是AI技术如何真正理解版型、缝合、三维形态和物理仿真之间的关系，并往生产端推进技术进展。
在技术研究领域，这项新工作本身被后续 GarmageNet 列为几何图像路线中的代表方法被延伸扩展。这说明，Style3D 一年前提出的方向已经不只是单篇论文技术的探索，而是在成为后续研究继续推进的参照系。
为什么版型生成比图片生成难得多
一件三维成衣由若干二维布片构成。每块布片有自己的轮廓和尺寸，布片之间还有明确的缝合关系。它们被放到人体附近，经过物理仿真，才形成我们熟悉的垂坠、褶皱和层叠效果。
过去的技术路线大致有两类。一类先生成版型，结构清楚，也便于后续制作，但它往往难以预先表达细腻的三维垂坠。另一类直接生成三维几何，外观看起来更接近目标，却可能缺少完整、可编辑的版型和缝合结构，很难进入现有服装工作流。
这也是服装 AIGC 面对的一个现实难题。模型既要理解设计长什么样，又要理解衣服怎样做出来。结构和外观少了任何一边，结果都很难用于生产。
GarmageNet 的切入点很明确。在同一个生成框架中同时保留二维版型结构和三维成衣形态，并把生成结果送进物理仿真。换句话说，它瞄准的是从设计概念到可编辑、可仿真、可进入工业流程的数字服装资产。
先让模型见到足够真实的衣服
训练服装生成模型，数据往往是第一道难题。
现有服装数据有的来自人体扫描，能够保留真实褶皱，却通常没有对应的生产版型。有的数据来自程序自动组合，数量很大，结构却相对规整，与真实生产中的多层结构、复杂轮廓、局部缝合和密集褶皱仍有距离。
为此，Style3D 研发团队构建了 GarmageSet。它包含 14,801 套由专业人员制作的服装，覆盖上衣、裤装、裙装、连衣裙和外套五个主要类别，也包含运动装、内衣、睡衣和旗袍等其他类别。所有服装都带有二维版型、三维形态，以及细化到衣片、结构线和款式特征的标注。
这个数据集的意义不能只看数量。论文随机抽取一万套服装，与常用的 GarmentCodeData 进行比较。GarmageSet 平均每件服装包含 13.59 块衣片和 46.01 组缝合关系，GarmentCodeData 的对应数字为 10.82 和 30.26。前者的三维网格平均顶点数也超过后者五倍，能够记录更细的褶皱和结构变化。
数据构建方式也很接近真实工作。团队先从实际版型中整理可复用的部件，由专业版师和设计人员完成分类与标注，再由专业建模人员组合、修改并制作成完整服装。论文将这批数据定义为来源于真实制造工作流、可兼容现有生产流程的专业资产。
这也是 Style3D 技术前瞻性的重要基础。服装 AIGC 要进入生产，不能只依靠互联网图片或简单模板。它需要真实版型、真实缝合关系、真实三维状态和专业标注共同构成的数据底座。
从设计概念走向数字成衣
有了数据，GarmageNet 接下来要解决一个表达问题。二维版型和三维成衣原本是两种差异很大的信息，模型怎样同时学习它们？
团队提出了名为 Garmage 的统一表达方式。每块衣片都被编码成一张结构化几何图。图中的透明度通道记录二维衣片轮廓，颜色通道记录衣片在三维空间中的位置。这样，一块衣片的平面结构和立体形态便能放进同一个表示中。
随后，系统利用变分自编码器把衣片压缩成固定长度的潜在向量，再用基于 Diffusion 的 Transformer 学习完整服装的生成规律。文字描述、线稿、商品照片、原始版型和点云都可以成为生成条件。对普通读者来说，可以把它理解成模型先学会服装由哪些布片组成，以及这些布片穿到身上会呈现什么形态，然后再根据不同输入生成一套完整的数字服装资产。
生成衣片以后，工作还没有结束。系统还要回答一个很实际的问题哪条边应该和哪条边缝在一起。
GarmageJigsaw模块负责恢复缝合关系。它沿着衣片边界采样，判断哪些点需要参与缝合，再预测点与点之间的对应关系。系统随后提取矢量版型，建立缝合约束，生成三角网格，并利用 Garmage 记录的三维位置完成仿真初始化。经过物理仿真，二维衣片才成为具有真实垂坠和褶皱的三维数字样衣。
整条路线覆盖了二维版型生成、缝合关系恢复、三维初始化和物理仿真。系统既要让生成结果像一件衣服，也要让它能够被拆回衣片、继续编辑，并进入既有的服装制作工具。
实验结果说明了什么
论文从版型、缝合、三维形态和生成效率几个方面进行了比较。
在缝合关系恢复实验中，GarmageJigsaw 对缝合点的识别精度达到 99.16%，召回率达到 97.13%。在 150 套复杂版型的仿真初始化测试中，GarmageNet 的成功率达到 91.41%，明显高于刚性初始化方法的 59.38%，与需要优化计算的方法所取得的 93.75% 接近。
在三维服装生成对比中，GarmageNet 与 Omage、Surf-D 两类方法相比，在几何质量、生成多样性和推理速度的多项指标上取得更好结果。论文记录的单件推理时间为 8 秒，另外两种方法分别为 120 秒和 25.7 秒。
研究团队还邀请了 20 位服装设计师、版师和三维服装建模师参与评价。文字生成场景中，GarmageNet 在成衣美观度和版型美观度上的偏好占比分别达到 85% 和 90.42%。线稿生成场景中，版型美观度的偏好占比达到 97.66%。
这些数字应当放在论文设定的测试数据、基线和实验条件中理解。它们不能直接等同于所有品类都已达到无人干预的生产水平，但足以说明这条路线在结构完整性、三维效果和效率之间取得了较好的平衡。论文也坦率列出了当前限制，包括数据目前只覆盖标准 S 码 A 姿态人台，对不同体型和姿态的适应仍需扩展，口袋一类内部缝合结构也有继续完善的空间。
版型与三维数字样衣能够用在哪里
GarmageNet 展示了四类直接应用。
第一类是从文字、线稿和商品图片生成服装资产。设计概念可以较快转成带版型结构的三维结果，用于早期方案探索和快速打样前的验证。
第二类是把没有缝合关系和三维形态的 DXF 平面版型，自动补成可仿真的三维数字样衣。论文提到，专业人员完成这项转换往往需要数小时甚至数天，还可能经历多轮调整。自动化工具如果能够承担一部分初始化工作，设计与版型团队就能更早看到上身效果。
第三类是从扫描或多视角重建得到的点云中恢复结构化版型。过去，扫描结果容易留下三维外形，却很难直接回到服装生产所需的衣片结构。GarmageNet 尝试把这两类信息重新连起来。
第四类是渐进式编辑。用户可以给已有服装加袖子、更换领型或调整局部部件，系统保留未改动的衣片，只重新生成需要变化的部分。对设计人员来说，这比每次从头生成整件衣服更接近日常修改习惯。
这些应用共同构成了一段更长的技术流程。版型连接着创意设计与工艺生产，三维数字样衣连接着版型与真实成衣。它们可以服务设计评审、虚拟样衣、版型验证、商品展示和生产前沟通，也能为后续的面料仿真、动态展示和虚拟试穿提供结构完整的数字资产。
这正是 Style3D 长期积累的三维与仿真技术能够发挥作用的地方。生成模型负责提出结构和形态，物理仿真继续检验衣片缝合以后会怎样垂落、碰撞和褶皱。两类能力放在一起，AIGC 才有机会从设计辅助继续走向服装产业的生产环节。
一个被后续研究验证的方向
GarmageNet 公开于 2025 年，并在 SIGGRAPH Asia 2025 发表。到 2026 年 8 月 5 日，Semantic Scholar 与 OpenAlex 均记录到 7 篇引用。后续研究已经涉及服装生成与编辑、缝合关系预测、虚拟试穿数据和服装改造辅助等方向。
团队同时公开了论文项目页、代码和 GarmageSet 数据集。GitHub 上的官方实现目前获得 67 个 Star 和 5 次 Fork。Hugging Face 数据集页面显示，GarmageSet 数据集总文件体量约 287GB，最近一个月下载量为 522 次。对于一项发表时间不长、研究对象又相当垂直的工作，这些公开数据说明它已经被服装计算机图形学和数字服装研究者持续看到并使用。
引用数和 Star 数会随时间变化，它们也不能单独代表技术成熟度。更有分量的地方在于，研究提出的问题正在被同行接着讨论，数据、代码和方法也进入了后续工作的参考范围 ，把 GarmageNet 和 GarmageSet 作为比较与评测对象。
当服装 AIGC 开始理解一件衣服怎样被做出来
服装行业已经有不少生成漂亮图片的工具。生产环节还需要能够理解衣片结构、缝合关系和三维形态的技术。
GarmageNet 给出了一条值得关注的路线。它从接近真实生产的数据出发，用 Diffusion 模型生成原生版型和三维初始化，再通过缝合关系恢复与物理仿真得到可继续使用的数字样衣。它仍有体型扩展、复杂工艺和产业验证等问题要解决，但已经把服装 AIGC 的讨论往前推了一步。
当模型开始理解一件衣服怎样被裁开、缝合和穿到身上，生成式 AI 才开始接近服装制造的核心。
产业与学术的交汇点
GarmageNet 的工作来自产业界与学术界的联合团队。
Style3D本身是一家专注于物理AI的科技公司，在纺织服装产业的十年深耕，拥有真实的生产线需求和经过专业标注的海量服装数据。浙大、上海交大、浙江理工大学等合作伙伴提供了方法论层面的支撑。SIGGRAPH Asia 近年对结合真实世界问题的研究工作关注度持续上升，GarmageNet 恰好位于学术价值和产业落地两条线索的交汇点上。
论文全文、代码与数据集均已开源。项目主页在 style3d.github.io/garmagenet，数据集发布于 HuggingFace，论文可从 arXiv 及 ACM Digital Library 直接获取。
诚信双盈提示：文章来自网络，不代表本站观点。
