DI-Net：基于分解式隐式服装迁移的三维数字着装人体生成方法

《Pattern Recognition》：DI-Net : Decomposed Implicit Garment Transfer Network for Digital Clothed 3D Human

本文提出DI-Net（分解式隐式服装迁移网络），创新性地将3D虚拟试衣任务分解为2D图像布局迁移和3D纹理布局迁移两个阶段。通过互补形变模块（CWM）结合稠密对应学习与稀疏流学习实现服装细节保持，并利用像素对齐隐式函数将迁移后的服装提升至3D人体网格。该方法无需服装模板即可生成多视角一致的逼真试衣效果，为虚拟试穿领域提供了新思路。

　　

Highlight

我们的方法在保持身体外观的同时，通过创新的分解式迁移策略实现了服装的灵活转移。互补形变模块（CWM）通过稠密对应学习精准对齐身体姿态，结合稀疏流学习保留服装高频细节。几何感知分解迁移模块（GDTM）则通过像素对齐隐式函数将2D服装特征提升至3D空间，确保几何与纹理的一致性。

Methodology

给定包含目标服装的参考图像I_r和提供身体外观的源图像I_s，DI-Net通过两个核心模块实现3D着装人体生成：1）互补形变模块（CWM）通过稠密对应学习对齐身体姿态，稀疏流学习处理服装形变；2）几何感知分解迁移模块（GDTM）利用像素对齐隐式函数重建3D人体表面，并基于几何先验预测纹理。

Training Losses

训练过程中采用多损失函数协同优化：形变模块使用采样正确性损失L_sample和正则化损失L_regular；稠密对应与优化模块结合感知损失L_perc、对抗损失L_adv和循环损失L_cycle；几何模块则采用形状回归损失L_regS和纹理回归损失L_regC确保重建质量。

Dataset

针对现有数据集存在的商业限制或姿态复杂等问题，本研究采用MGN数字衣橱数据集。该数据集包含96组不同服装的人体扫描数据，其中83组用于训练，13组用于测试。通过兰伯特漫反射和球谐光照进行图像渲染，为模型训练提供高质量数据支撑。

Conclusion

DI-Net通过双模块协同工作机制，成功实现了无需模板的3D虚拟试衣。该方法在保持身体外观一致性的同时，通过分解式迁移策略解决了服装纹理多视角一致性的难题，为数字时尚领域提供了高效可靠的解决方案。