《ADVANCED ENGINEERING INFORMATICS》：LLM-driven personalized garment synthesis enhanced by neuro-symbolic RAG and physics-aware pattern optimization
编辑推荐：
摘要现有的个性化服装生成系统存在用户意图感知、生成式设计以及物理感知裁剪之间的持续性"三方鸿沟"，导致无法同时生产出既具备审美个性化又具备物理可制造性的服装。当前的AI生成服装往往无法与用户独特的生物特征和审美画像——如肤色兼容性和形态特征——相吻合，且缺乏确保跨异构体型精准
摘要
现有的个性化服装生成系统存在用户意图感知、生成式设计以及物理感知裁剪之间的持续性"三方鸿沟"，导致无法同时生产出既具备审美个性化又具备物理可制造性的服装。当前的AI生成服装往往无法与用户独特的生物特征和审美画像——如肤色兼容性和形态特征——相吻合，且缺乏确保跨异构体型精准物理合身的自适应几何约束。由于缺少意图感知与制造就绪工程之间的双向流动，这些输出仍然停留在风格随意且物理上不可穿着的状态。为弥合这些鸿沟，本文提出了一种由LLM驱动、结合神经符号检索增强生成（RAG）和物理感知图案优化的服装合成框架，用于全自动化生成个性化服装。该框架具备自动化的需求分析师，可将用户的图像和语义意图转化为精炼的设计规格。通过提取高维度的生物特征和色度画像，系统能够识别与用户独特身体特征天然和谐的服装廓形和色板，确保生成前实现专业的造型准确性。这些规格驱动双通路的生成设计师合成基于物理的渲染（PBR）纹理和二维缝纫图，随后由基于优化的图案适配器进行自适应变形。我们开发了一种新颖的有限差分Adam（FD-Adam）优化算法，以解决力学冲突并改善跨代表性体型的服装合身度。在代表性测试用例上的实验验证支持了该框架的可行性。此外，物理驱动的裁剪过程有效地消散了不同体型上的高应变集中区域，在受控双盲用户研究中，相对于两个竞争性基线，实现了62%的偏好率。通过实现从感知图像到生产就绪工程资产之间的直接过渡，本工作与标准工业CAD工作流程兼容，适用于离线个性化服装设计。
1引言
从大规模生产向大规模定制的转变，要求服装行业实现范式转变，对高度个性化服装的需求现在需要同时整合多样的身体特征和主观审美偏好[1]。实现自动化的定制化服装设计是一项复杂的任务，需要将高维、异构的用户数据——涵盖从多样的身体拓扑结构、独特的色度属性到语义设计意图[2]——直接映射为行业标准物理资产。这类系统对于虚拟试穿和电子商务等现代数字工作流程至关重要[3]，它可以通过确保数字设计与个体用户独特的身体和审美现实之间的精准匹配，显著提升用户满意度并减少资源浪费。
然而，正如近期文献所指出的，现有设计范式在三个相互依存的维度上存在缺陷：意图感知无法将主观偏好转化为定量参数；生成式设计在缺乏物理约束的情况下运行；物理适配优先考虑合身度而牺牲了风格保真度。这些共同构成了一个持续存在的"三方鸿沟"，阻碍了真正生产就绪的自动化。虽然传统的感性工学和大型语言模型（LLM）[4]试图解码主观偏好，但它们经常遭遇幻觉[5]问题，其中语义模糊的输出（如"像日落一样的颜色"）缺乏下游3D仿真所必需的定量参数。此外，当前生成式框架通常在"物理盲视"环境中运行，产生的缝纫图脱离用户的独特3D体型，导致几何交叠或应力失衡。相反，高级神经物理模型往往优先考虑最小化物理应变，而非保持设计的原始"感知灵魂"或风格意图，最终产生的工程资产虽然物理合身，但语义上存在错误。这种脱节被仅在像素域运作的虚拟试穿（VTON）技术[6]进一步放大，后者无法将视觉状态逆向工程回兼容工业CAD标准的可编辑二维缝纫图。
为弥合这些鸿沟，我们提出了一种由LLM驱动、结合神经符号检索增强生成（RAG）和物理感知图案优化的服装合成框架，用于全自动化生成个性化服装。该系统建立在四个协作模块之上，这些模块以顺序闭环的方式运作，将多模态用户输入转化为高保真的服装设计。神经符号RAG驱动的需求分析师首先利用神经符号检索增强生成（RAG）[7]机制，将用户意图锚定在服装美学和人体测量规则的领域特定知识库中，确保推荐方案专业、可执行，并针对个体的"色彩ID"和体型进行定制。随后由生成设计师合成基于物理的渲染（PBR）纹理和二维缝纫图。关键在于，基于优化的图案适配器实施了一个自动化的优化循环，使用FD-Adam算法和"动态间隙带"概念重塑生成的缝纫图。这确保了缝纫图完美贴合任何目标用户的体型，同时无需人工干预即可保持预期的风格余量。最后，设计评估器提供双模态反馈界面，用于实时视觉评估以及对审美或裁剪参数的解耦纠正。
我们框架的有效性和泛化能力通过涉及不同身体拓扑结构和肤色的多样化受试者队列（从消瘦到肥胖）的全面案例研究进行了严格验证。评估结果表明，我们的系统成功消除了工程幻觉，并确保严格遵循所需的工业数据格式。在物理驱动的裁剪过程中，系统有效消散了不同体型上的高应变集中区域，使服装自然垂坠，不会出现拉扯伪影或不自然褶皱。此外，一项涉及专业设计师和普通用户的双盲用户研究发现，我们的方法获得了高度偏好，因为它成功地在异构人体测量特征上平衡了语义设计准确性与物理可行性。
本文其余部分将提供所提出自动化系统的详细技术视角。第2节回顾了生成式设计和服装物理仿真领域的相关文献。第3节详细介绍了我们四模块框架的方法论，重点介绍RAG逻辑和用于自动裁剪的FD-Adam优化。第4节展示了实验设置和来自多样化用户研究的定性结果，以验证系统的工业适用性。最后，第5节通过总结我们的贡献并讨论智能化、自动化个性化服装定制的未来方向来结束全文。
章节摘要
服装设计的需求分析
在个性化服装定制领域，将消费者的感知和情感需求转化为可量化的工程指标仍然是一项根本性挑战。传统上，感性工学被用于解码这些主观偏好[8]、[9]；然而，它通常严重依赖设计师的经验专业知识，涉及迭代且劳动密集型的决策周期，并且经常遗漏情感反应与物理特征之间的动态交叉影响。
整体框架结构
图1展示了个性化设计生成框架的整体流程。
该框架旨在解决现有生成方法无法满足不同用户差异化身体特征和审美偏好的局限性。该框架由四个模块组成，分别为：I. 神经符号RAG驱动的需求分析师、II. 生成设计师、III. 基于优化的图案适配器、IV. 设计评估器。
在神经符号RAG驱动的需求分析师中，
实验设置
为评估所提出框架的可行性和有效性，我们使用Python和PyTorch深度学习库实现了整个流程。所有神经网络推理和基于物理的优化过程均在配备Intel Core i7-10700 CPU和NVIDIA GeForce RTX 3060 Ti GPU的工作站上完成。
为验证服装合身度和物理保真度，我们将流程与Marvelous Designer集成，利用其脚本API执行相关操作。
结论
本工作通过证明意图感知、生成式设计和物理感知裁剪之间的"三方鸿沟"可以在统一框架内被系统性解决——而无需在定制流程中引入人工专家干预——推动了智能服装制造领域的发展。所提出的框架由四个协作模块组成，按顺序将模糊的多模态用户意图转化为高保真的物理资产，这些资产同时
CRediT作者贡献声明
张凌佳（Lingjia Zhang）：撰写——初稿、方法论、概念化、调查。李哲（Zhe Li）：验证、软件、方法论。陈宣河（Xuanhe Chen）：软件、方法论。周琪（Qi Zhou）：方法论。毕有义（Youyi Bi）：撰写——审阅与编辑、项目管理、资金获取。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
作者感谢国家自然科学基金（52575300）和国家重点研发计划（2022YFB4702400）提供的资金支持。
张凌佳 | 李哲 | 陈宣河 | 周琪 | 毕有义
