个性化人体特征曲线驱动的三维服装变形

针对目前三维试衣系统中人体建模方法难于建立大量个性化的三维人体模型的问题,提出一种采用Kinect扫描人体重建个性化人体模型,利用个性化人体特征曲线驱动服装变形的三维试衣方法。方法提取人体特征曲线,并根据曲线所在人体部位特征进行曲线拟合,依据拟合曲线计算服装控制点位置,最终使服装适合人体模型。根据个性化人体体型特征对服装模型变形,符合真实人体试衣过程中服装形状随人体体型不同而改变的特点。改进方法取得了个性化人体模型三维试衣的较好效果,使虚拟试衣效果更好地预测真实着装效果。

基于变分自编码器的三维服装变形预测方法

传统的服装动画制作方法依托于专业的布料仿真平台,需要美工或动画师编辑,时间和人力成本通常很高.通过半自动化的方法进行服装动画制作,只需要根据输入的高层参数,即可快速生成逼真的服装动画,不仅可以降低服装动画制作的技术门槛和创作成本,也有利于动画师更多地关注动画内容本身,进而得到丰富的动画效果.基于此,提出了一种基于变分自编码器的服装变形预测方法.首先,选取涵盖多种姿态的人体运动序列构建人体模型,并通过物理仿真的方式生成服装变形数据;其次,利用变分自编码器学习服装变形数据在隐空间上的概率分布模型,并引入拉普拉斯坐标变换保证生成服装的褶皱细节;然后,进一步在隐空间概率分布上引入约束条件控制服装的生成效果;最后,通过穿透修正获取逼真的服装变形效果.在AMASS数据集上基于不同体型、不同运动序列的数据开展实验,并从视觉预测效果和顶点偏移误差2个角度分析实验结果,结果表明,所提方法具有较小的服装重建误差,且可生成满足姿态、体型和时序等多种约束的服装变形效果,从而辅助动画师进行理想服装变形效果生成.

基于局部约束的服装变形方法研究

针对目前虚拟服装变形方法不能有效地解决局部不同程度变形的问题,提出一种基于局部约束的服装变形方法。首先,根据人体特征参数自定义构建虚拟人服装模型,并在此过程中对质点-弹簧模型和欧拉算法进行了改进;其次,对服装质点施加约束力,在质点原始的位置上添加改进的基函数,并引入约束权重来控制基函数的变化,从而求得质点的正确位置,实现局部不同程度的变形。实验结果表明,该局部约束方法取得了较好的变形效果。

基于FFD算法的三维服装变形技术

为提高服装及其虚拟展示行业的变形效率问题,研究开发了一套适合服装变形的智能系统.以VB.NET和Managed DirectX为开发工具,以3DSmax为模型工具,以FFD自由变形算法(free-form deformation,FFD)为核心算法来实现三维服装变形.减少了服装变形的手工繁复操作,实现了三维服装变形的自动化模式.

时尚的进阶:可变形服装结构创新设计原则与策略

全球经济的交融与快速发展孕育了服装行业“快时尚”的销售模式,这使时尚风潮快速变迁,同时促进了消费主义的发展。该文作者分析各类可变形结构设计手法并将其分类,提出可变形服装结构设计原则、多项可变形服装结构设计策略。

面向2D虚拟试穿的服装推理变形仿真方法

为了提高当前服装E-Commerce领域2D虚拟试穿展示效果,提出一种基于图像处理技术的服装推理变形仿真方法。采用边缘检测方法提取标准模特图像的特征曲线,检测个性化体型模特图像的体型参数值,获取已变形的各特征区域的外轮廓,进而确定服装试穿素材图像待变形区域外轮廓,对服装试穿素材图像待变形各区域进行插值处理,得到变形后的服装试穿素材图像,从而模拟基于个性化体型的试穿效果。仿真实验结果证明了该方法具有较高的鲁棒性与有效性。

适用于不同款式的无监督服装动画预测

虚拟角色着装动画生成是三维动画的关键技术,着装变形作为其核心一直是该领域的研究热点。现有着装变形方法大多基于单一服装款式进行研究,一旦款式变化则需要重新训练,耗费时间和增加计算成本。同时现有方法大多基于有监督的方法进行网络训练,需要大量的数据准备和训练成本。基于此,提出一种适用于不同款式的无监督着装动画生成方法。首先,提出一个可学习的款式特征表示方式,学习款式约束的运动隐空间概率分布模型;其次,基于编解码结构搭建款式约束的无监督服装变形预测网络,进一步引入Transformer编解码层对时序运动特征进行提取;最后,进行多款式动画生成实验,并与现有方法基于视觉效果和定量指标进行对比分析。实验结果表明,相较于现有方法,本文方法可以生成款式可调的、视觉合理的着装动画,在预测精度以及穿透损失等方面具有明显的优越性。

服装的起拱变形

本文论述了服装起拱的力学性质,测试方法和影响服装起拱的材料及结构等主要因素。 任何服装,即使没有遭受到结构性的破坏,正常使用也会引起表观损坏。服装起拱是这种现象的典型例子之一。起拱是由于织物缺乏尺寸稳定性和回复性引起的。服装穿着过程中。

滚筒洗涤参数对服装各部位外观性能影响研究

为探究家庭滚筒洗涤对服装各部件外观性能的影响,本文选择婴儿针织套头衫作为实验载体,从服装款式部件的角度,详细探讨滚筒洗涤参数对服装各部件的外观性能(起毛起球、尺寸收缩、水洗色牢度等)的影响规律,并对实验结果进行机理分析。实验结果表明:水温显著影响不同部位(领子、袖子、下摆、衣身)的水洗色牢度;起毛起球的主要影响因素会因服装部位不同而不同;最优的参数组合是水温20℃、转速5r/min、洗涤时间25min、脱水时间1min、漂洗次数1次。此结论既可为洗衣机厂家进行产品性能升级(尤其是针对特定服装种类进行洗涤算法优化)提供参考,也可为消费者的日常护理提供指导。

基于服装参数的虚拟服装试穿模拟

在研究现有的三维试衣技术的基础上,提出了基于服装号型各特征部位尺寸参数的服装变形方法。首先建立标准尺码服装的三维模型,提取模型特征曲线,并根据各号型的尺寸对应关系,对服装模型的特征曲线进行参数化变形,计算服装控制点的新位置,生成其他号型的三维服装模型。同时,进行人体各部位特征尺寸与服装模型特征曲线尺寸的比较,使试穿效果符合人体体型的不同特点。该法简化了服装的试衣流程,可更好地应用于服装试衣的网络化。

滚筒洗涤条件下婴幼儿服装外观保型性影响因素研究

为探究不同服装款式结构与家庭滚筒洗涤关系,选用不同款式结构设计的婴儿针织套头衫作为实验载体,从服装款式部位的角度,详细探讨滚筒洗涤对不同款式结构服装的各部件的外观性能(起毛起球、尺寸收缩、水洗色牢度等)的影响规律,并对实验结果进行机理分析.实验结果表明:不同款式结构的服装经过相同的洗涤参数处理后,其外观性能(起毛起球、尺寸变化、水洗色牢度等)会发生不同程度的变化,但变化程度存在差异.其结果既可为设计师从服装护理的角度进行款式结构设计提供参考,也可为消费者合理的选择易护理的服装款式提供指导.

人体背部运动功能与服装放松量研究

通过服装切口变形实验和有关的数据分析,研究了人体背部运动功能和服装放松量之间的关系,并提出了不同宽松程度的服装胸围放松量的具体数据。

二维图像虚拟试衣技术综述

虚拟试衣技术作为近年来深度学习研究中的热点课题,旨在使用户能直观方便查看自己试穿心仪服装的效果,为网购提供更多便利,且在服装设计、游戏、动画等领域也有着重要的应用。其中基于二维图像的虚拟试衣技术可以摒弃三维虚拟试衣所需昂贵的如三维扫描仪等设备的成本和时间代价,以其简单经济的特点受到研究者们更多关注。该文聚焦于二维虚拟试衣技术,从以下几方面进行总结:第一,阐述二维虚拟试衣技术的基本原理与流程;第二,在技术改进方面,以时间顺序和改进方向两者统一对二维虚拟试衣技术进行总结;第三,对二维虚拟试衣技术常用数据集、评价指标和损失函数进行总结,并提出二维虚拟试衣技术的不足和未来在高质量、多样化、多模态、集成化等方向的发展趋势。

基于深度学习的2D虚拟试衣技术研究进展

虚拟试衣是一种能够使用户不用进行真实试穿,就可查看到试衣后视觉效果的技术。研究者多关注于3D虚拟试衣,该方法虽然可以精准地控制人体与服装变形,但是存在使用成本高、建模复杂度高、专业技术性强等不足和局限,无法真正用于网上服装销售。最新研究旨在利用深度学习来解决虚拟试衣问题,其中基于深度学习的2D虚拟试衣是目前主要的研究热点,其关键技术主要涉及人体解析、服装变形、图像合成三个方面。文章通过技术分析,指出现有技术存在的问题并展望未来。

Human Body Image Edge Detection Based on Wavelet Transform

Human dresses are different in thousands way. Human body image signals have big noise, a poor light and shade contrast and a narrow range of gray gradation distribution. The application of a traditional grads method or gray method to detect human body image edges can't obtain satisfactory results because of false detections and missed detections. According to the peculiarity of human body image, dyadic wavelet transform of cubic spline is successfully applied to detect the face and profile edges of human body image and Mallat algorithm is used in the wavelet decomposition in this paper.