上海科技大學、賓夕法尼亞大學、Deemos科技和NeuDim科技的研究人員聯合推出了一個創新模型DressCode。

　　用戶通過DressCode只需要輸入文本就能生成各種精美的3D服裝模型，例如，一件法式蕾絲邊的連衣裙;紅色絲綢的睡衣等。

　　DressCode不僅能根據提示文本生成相應的服裝樣式，還能生成不同類型的材料，包括羊毛、蕾絲、絲綢等布料，并添加真實的物理光照幫助設計人員查看不同場景下的效果。

　　該模型可幫助VR、AR、影視、游戲開發、電商平臺等領域的設計人員加速3D內容的開發效率。

　　SewingGPT

　　SewingGPT是DressCode的核心模塊之一，基于Transformer架構主要用于提示文本語義理解和生成。

　　為了使DressCode能夠生成服裝圖案，研究人員采用了一種新穎的量化過程，將裁剪圖案轉化為tokens序列，并使用僅包含解碼器的Transformer模型進行tokens預測，以增強生成內容的準確性。

　　當SewingGPT接收到一段文本描述，例如，設計一款夏季棉質連衣裙，V領，腰部有褶皺設計，裙擺為A字形。會通過Transformer解析這段描述中的關鍵提示詞、夏季、棉質、V領、褶皺等以及它們之間的語義關系，幫助模型準確地捕捉到服裝每個模塊之間的細微差別。

　　在理解提示文本語義之后，SewingGPT會生成一組結構化指令。這些指令不僅包括服裝的外觀特征，還包括具體的裁剪方式、縫合順序、特定部位的處理技巧。

　　例如，上面所提到的連衣裙文本描述，SewingGPT可能生成指令指出V領的具體尺寸和弧度、褶皺的數量和分布模式、A字裙擺的展開角度等。這確保了設計的可實施性，即便在高度定制化的設計中也能保持精確。隨后，這些指令被送到3D建模引擎并結合面料物理屬性數據庫進行建模。

　　SewingGPT還提供了一個循環反饋機制，允許用戶對生成的初步3D模型進行效果評估，并提出修改意見，幫助模型進行自動迭代。

　　渲染與展示模塊

　　在接收到結構化指令后，渲染模塊會進一步分析文本提示詞中的分析材質和紋理的關鍵詞匯區別，麗日，光滑的絲綢、粗糙的牛仔布、柔軟的羊毛等，并將這些文本描述映射到材質庫中的對應材料中。

　　材料庫中的每種材質均被詳盡記錄屬性，反射率、透光度、彈性、摩擦系數等以及微觀結構特征，這些數據可以使得渲染出來的3D服務模型更加逼真符合實際要求。

　　為了確保3D服裝在運動狀態下的自然垂墜與動態效果，DressCode集成了高級的布料動力學算法。這些算法基于物理模擬，能夠精確計算布料與服裝內部結構之間的相互作用，如褶皺形成、擺動、拉伸等，使服裝在虛擬模特走動或旋轉時的表現與真實服裝幾乎一樣。

　　此外，為了更好地展示3D模型，DressCode提供了豐富的可定制虛擬模特，涵蓋不同體型、膚色和風格，以適應多樣化的設計需求。同時，內置的動作庫支持從靜態展示到復雜走秀動作的設置，使用戶能夠全方位評估服裝的動態表現和穿著效果。

　　所有預覽都是可視化操作，用戶可以通過簡單的操作旋轉、縮放、平移3D模型，從多個角度審視服裝細節，這對于那些非專業設計人員來說非常有幫助。