ClothWild：野外单图 3D 穿衣人体重建的弱监督方案（ECCV 2022）

ClothWild 精读：野外单图 3D 穿衣人体重建的弱监督方案（ECCV 2022）

一句话定位

ClothWild 是第一个显式解决「in-the-wild（野外）鲁棒性」的单图 3D 穿衣人体重建框架，思路极其干净：不去硬啃 3D 扫描数据，而是把一个已经训练好的服装生成模型（SMPLicit）冻结，只用真实图像上的 2D 弱监督去训练一个回归器 ClothNet，让它预测服装 latent code；再用一个专门设计的 DensePose-based loss 把「2D 服装分割」变成「贴着 SMPL 人体表面的 3D 点」，从而绕开单目弱监督最致命的两大坑——深度歧义（depth ambiguity）与像素级错位（pixel misalignment）。结果：在真实数据集 3DPW 上 Chamfer distance 降到 40.34 mm（对比 ICON 75.00、PIFu 67.25、SMPLicit fits 45.66），MSCOCO 上 body-cloth correspondence 平均 0.846（对比 SMPLicit fits 0.700、BCNet 0.648），单图推理只要 10.21 秒（对比 ICON 87.88、SMPLicit fits 105.43）。

论文信息：3D Clothed Human Reconstruction in the Wild，Gyeongsik Moon*、Hyeongjin Nam*、Takaaki Shiratori、Kyoung Mu Lee，Meta Reality Labs Research / 首尔大学（SNU），ECCV 2022，arXiv:2207.10053。代码开源。

定位提醒：这篇是 4D-DRESS 的 clothing reconstruction baseline 之一（4D-DRESS 用真实数据暴露了它在宽松服装上的短板），读法上要把它当成「弱监督系」的代表，而不是「高保真细节系」的代表。

1. 背景与动机：合成数据的 domain gap

3D 穿衣人体重建的主流方法（PIFu、PIFuHD、ICON、BCNet、Multi-Garment Net 等）几乎全都依赖 3D 扫描训练，因此只能吃合成数据集——即扫描得到 3D GT，再从扫描渲染出图像。问题在于：

  • 3D 扫描采集环境受限（motion capture studio），为了让采集容易，受试者常被要求摆简单姿势；
  • 于是渲染出来的图像姿势单一、外观人工化（artificial appearance）；
  • 而野外图像（办公室、演唱会）姿势多样、外观多样、遮挡严重。

这个巨大的 domain gap 直接导致合成数据训出来的模型一上野外就崩。论文 Fig.1(a) 用「rendered images vs in-the-wild images」直观对照；Fig.1(b) 显示 PIFuHD、BCNet 在野外图上直接重建失败，而 ClothWild 成功。（注：重建出的 3D 衣服颜色是人为指定用来区分服装类型的，不是纹理。）

作者的核心洞察：与其想办法采更多 3D 扫描，不如换监督信号的维度——真实图像虽然拿不到 3D GT，但拿得到 2D 服装分割（cloth segmentation）。这就是弱监督（weak supervision）：监督目标不是完整 3D，而只在单相机视角定义。

2. 核心思路：冻结生成模型 + 训练回归器

ClothWild 把重建流水线拆成两大网络，外加一个冻结的生成模型：

模块 角色 是否训练
ClothNet 回归器：从图像预测服装 latent code + 存在性 + 性别 ✅ 唯一可训练
BodyNet 回归器：从图像预测 SMPL 的 shape/pose（用 Pose2Pose） ❌ 固定
SMPLicit 服装生成模型：latent code → 无符号距离场 ❌ 固定

为什么这样设计能 work？

  1. 服装生成模型先在合成数据上充分监督训练，覆盖各种服装类型/款式（袖长、宽松度），冻结后不受野外不完美 2D 监督的伤害（protect from being hurt by imperfect 2D supervision targets）。
  2. ClothNet 只负责预测 latent code，而 latent code 天生落在生成模型的「服装 latent space」里——这等于给弱监督加了一条天然正则：即便只看到单相机视角的证据，输出的衣服也必须是生成模型能生成的合理衣服。作者的措辞是："our weak-supervision strategy can recover full 3D geometry only from the evidence of the single-camera viewpoint by regularizing the predicted cloth latent codes to be in the cloth latent space"。
  3. 关键对比：PIFu、PIFuHD、ICON、PHORHUM 没法做这件事，因为它们不建模服装 latent space（"such regularization is not possible for previous approaches as they do not model cloth latent space"）。

⚠️ 纠偏：这篇不是用可微渲染（differentiable rendering）+ 法线/深度监督的路子。弱监督的实现是 DensePose-based loss（在 3D 空间监督采样点），法线图迭代拟合是 ICON 的做法。Silhouette（轮廓投影）loss 只是被拿来做消融对照。读的时候别把两篇的机制搞混。

3. 方法细节

3.1 ClothNet（回归器）

输入图像 $I$，输出三样东西：

  • 服装存在性分数 $c = (c_1, \dots, c_{N_c})$，$N_c = 5$，即 upper cloth（上衣）、coat（外套）、pants（裤子）、skirt（裙子）、shoes（鞋）。$c_i$ 表示「人穿着第 $i$ 件衣服」的概率。
  • 服装 latent code 集合 ${z_i}_{i=1}^{N_c}$，$z_i \in \mathbb{R}^{d_i}$，嵌入 SMPLicit 的 latent space。维度沿用 SMPLicit：鞋子 $d_i = 4$，其余四类 $d_i = 18$。
  • 性别 $g \in \mathbb{R}^2$（one-hot），用于选择正确的 SMPL 人体模型（男/女）。

实现：ResNet-50 去掉最后全连接层，提特征 $f \in \mathbb{R}^{2048}$；然后分三路——

  • $f$ → 一个全连接 + sigmoid → 服装存在性 $c$；
  • $f$ → $N_c$ 个全连接（第 $i$ 个预测第 $i$ 件衣服的 $z_i$）；
  • $f$ → 一个全连接 + softmax → 性别 $g$。

${z_i}$ 与 $g$ 一起喂给 SMPLicit。

3.2 BodyNet（人体回归器）

输入 $I$，输出 SMPL 的形状 $\beta \in \mathbb{R}^{10}$（T-pose 人体形状空间的 PCA 系数）与姿态 $\theta \in \mathbb{R}^{72}$（人体关节 3D 旋转）。$\beta$ 送进 SMPLicit，$\theta$ 只在推理阶段用于姿态变形。BodyNet 直接采用 Pose2Pose（Moon 等 CVPRW 2022），因为它在野外 benchmark 上是 SOTA。BodyNet 在整篇里是 off-the-shelf、冻结的。

3.3 服装生成模型：SMPLicit

给定服装 latent code $z_i$、性别 $g$、人体形状 $\beta$，SMPLicit 输出该服装的连续无符号距离场（unsigned distance field）：

$$C(x, z_i, g, \beta) \to \mathbb{R}^+, \quad i = 1, 2, \dots, N_c$$

其中 $x \in \mathbb{R}^3$ 是 canonical 3D space 里的查询点（该空间里人体处于 T-pose）。在该 canonical 空间里，由 $g$ 和 $\beta$ 先得到 T-pose 的 不穿衣服的身体 mesh；围绕它，一组 3D 查询点给出到 3D 衣服表面的最近距离，即无符号距离场。只有当第 $i$ 件衣服的存在性分数 $c_i$ 大于阈值（经验值 0.25） 时才执行该步。

3.4 衣服与身体的整合（推理阶段）

  • Marching Cubes：在 3D 空间稠密采样查询点、喂进 SMPLicit 得无符号距离场，再用 Marching Cubes [Lorensen 1987] 从距离场提取等值面 mesh。此步得到 T-pose 的穿衣 mesh = T-pose 不穿衣服的身体 mesh + 各件衣服 mesh。
  • Pose deformation：分别对不穿衣服的身体和衣服 mesh 做姿态变形。身体用 SMPL 的 skinning 配合 BodyNet 预测的 $\theta$；衣服的每个顶点绑定到最近的（不穿衣服的）身体顶点，施加同一形变。
  • 好处：这种 SMPL-driven 形变支持任意姿态（不只是预测出的那个），因此重建结果可以动画化（animatable）。

4. 从野外数据学习：损失函数

ClothNet 是唯一可训练模块，其余全冻。总损失：

$$\mathcal{L}{total} = \lambda}\mathcal{L{dp} + \lambda}\mathcal{L{reg} + \lambda}\mathcal{L{exist} + \lambda$$}\mathcal{L}_{gender

权重：$\lambda_{dp}=1,\ \lambda_{reg}=0.1,\ \lambda_{exist}=0.01,\ \lambda_{gender}=0.01$。

4.1 DensePose-based loss（本文灵魂）

动机——朴素地把 3D 投影到 2D 分割上做弱监督有三个难点：

  1. 单视角信息不足：2D 监督只提供单相机视角信息，无法保证恢复其他视角的 3D 几何；
  2. 深度歧义：服装分割里每个像素对应 3D 空间无数点，难以指定「哪些 3D 点属于衣服」；
  3. 像素级错位：野外图像没有相机参数，得额外预测相机才能投影；而「相机参数 × 3D 人体」的组合极多却对应同一张 2D 分割，这是高度 ill-posed 问题，相机预测失败就投影错位。

DensePose [Güler 2018] 提供「每个像素对应 SMPL 身体表面哪一点」的信息。于是 DensePose-based loss 不用相机、不用投影，直接找出贴着 SMPL 表面的 3D 点，把深度歧义压到极小。分三步：

(1) Cloth-to-body mapping（服装→身体映射）

在 DensePose 有定义的区域，从服装分割上采样 $N_p = 196$ 个 2D 服装点 ${p^{2D}_k}$；借助 DensePose 把它们映射到 T-pose 人体表面上的 3D 服装点 ${p^{3D}_k}$。每个映射后的 3D 点自带一个服装标签（上衣 / 裤子 / 非服装）。

(2) Query point selection（查询点选择）

对每类服装，从一个 3D bounding box 里以 $21 \times 21 \times 21$ 分辨率均匀采样查询点；再选出与 3D 服装点 ${p^{3D}_k}$ 距离在阈值 $\tau$ 以内的查询点 ${x_j}$。阈值：外套（coat）$\tau = 10$ cm，其余 $3$ cm。（各服装 bounding box 由 T-pose 的 SMPL 3D 关节坐标确定，裤子/裙子基于腿略张的 Astar-pose，细节在补充材料式 (4)–(8)。）

(3) Loss calculation（损失计算）

定义服装二值函数 $S_i(\cdot)$：若查询点 $x_j$ 最近的 3D 服装点属于第 $i$ 类服装，则 $S_i(x_j)=1$，否则 0。DensePose-based loss：

$$\mathcal{L}{dp} = \frac{1}{N_c N_q}\sum| \Big)$$}^{N_c}\sum_{j=1}^{N_q}\Big( S_i(x_j)\,|C(x_j, z_i, g, \beta)| + (1 - S_i(x_j))\,|C(x_j, z_i, g, \beta) - d_{max

  • 第一项：当 3D 点匹配第 $i$ 类服装时，逼其无符号距离趋近 0（让它落在该衣服表面上）；
  • 第二项：当 3D 点不匹配时，逼其无符号距离趋于截断距离 $d_{max}$（让它不属于该衣服）。
  • $d_{max}$ 是无符号距离场的最大截断距离：鞋 $d_{max}=0.01$，其余 $0.1$。
  • 结论：这样监督的 3D 点既没有服装分割的深度歧义，又完全不需要相机投影，因此免于像素错位。

4.2 其余损失

  • 正则损失 $\mathcal{L}{reg} = \sum \alpha_i |z_i|^2$，$\alpha_i = 0.1$（鞋）/ $1.0$（其余）。作用：把预测 latent code 拉向服装 latent space 的均值，产生合理衣服。必要性：DensePose-based loss 只监督衣服的}^{N_c局部区域，光靠它可能学出过厚、破洞等不合理衣服；正则项把输出约束到均值附近来兜底。
  • 服装存在性损失（二分类交叉熵）：$\mathcal{L}{exist} = -\frac{1}{N_c}\sum\big(c_i^}^{N_c \log c_i + (1-c_i^)(1-\log c_i)\big)$。
  • 性别分类损失（交叉熵）：$\mathcal{L}_{gender} = -(g_m^ \log g_m + g_f^ \log g_f)$，其中 $g_m$、$g_f = 1-g_m$ 分别是男/女概率。

一个容易读错的细节：原文 $\mathcal{L}_{exist}$ 写成了 $(1-c_i^*)(1-\log c_i)$，第二项与标准 BCE 形式不一致（疑似排版笔误），按上下文应为标准交叉熵。

5. 训练细节

  • 框架：PyTorch；backbone 用 ImageNet 预训练的 ResNet-50 初始化。
  • 优化器：Adam，mini-batch = 8；人类区域按 GT box 裁剪（训练/测试都裁），resize 到 $256 \times 192$。
  • 数据增强：scaling、rotation、随机水平翻转、color jittering。
  • 学习率：初始 $10^{-4}$，第 5 个 epoch 后降 10 倍；总共训练 8 个 epoch。
  • 硬件：单张 NVIDIA GTX 2080 Ti（弱监督确实轻量）。

6. 实验

6.1 数据集（关键：没有 THuman2.0）

训练只用真实 2D 监督，完全不碰 3D 扫描：

  • MSCOCO（in-the-wild 大规模）：训练集训练、验证集评测。DensePose 用 DensePose 回归模型输出当 GT（真 DensePose 标注太稀疏）；服装分割用 LIP；性别标注靠跑 Homogenus 得到。
  • DeepFashion2：作为额外训练集与 MSCOCO 一起用；DensePose/性别同上的流程；服装分割用 SCHP。
  • 3DPW（in-the-wild）：只用于评测（对测试视频每 25 帧采样一次）。用其 T-pose 的注册穿衣 mesh + SMPL pose 参数，按 SMPL skinning 形变出「posed 注册 mesh」作为 GT 3D 穿衣人体。

6.2 评测指标

因为此前没有专门做野外 3D 穿衣重建评测的工作，作者自提两个指标：

  • Chamfer distance（CD）：重建与 GT 表面之间的 3D 距离（mm）。对齐方式很讲究——先假设重建与 GT 的同一身体部位（肩、膝等）投影到图像同一像素；两者各自 rasterize 得 face index map，对每个 face 平均三个顶点，把投影到同一像素的两个平均顶点配对，据此求刚体变换 $T$ 对齐全局旋转/尺度/平移，再测 CD。
  • Body-cloth correspondence（BCC）：T-pose 不穿衣服的身体表面上，服装类型正确的 3D 点占比。用 cloth-to-body mapping 把 GT 分割的 2D 点映射到身体表面；若该点与重建衣服的距离 < 3 cm 即算「正确覆盖」。按服装标签（上衣/裤子/非服装）求占比再平均。注意：PIFu / PIFuHD / ICON 不告诉你点属于哪类服装，所以无法用 BCC 评。

6.3 与 SOTA 对比

Table 1：3DPW 上 CD（越小越好，单位 mm）

方法 CD ↓
PIFuHD 137.50
BCNet 118.75
ICON 75.00
PIFu（额外用人体分割） 67.25
SMPLicit fits（额外用 SMPL 参数 + 服装分割） 45.66
ClothWild（本文） 40.34

Table 2：MSCOCO 上 BCC（越大越好）

方法 upper body lower body non-cloth average
BCNet 0.415 0.729 0.800 0.648
SMPLicit fits 0.645 0.493 0.961 0.700
ClothWild 0.830 0.820 0.887 0.846

（BCNet 只处理上衣 / 裤 / 裙三类，故评比时把上衣+外套并为 upper、裤+裙并为 lower，并排除鞋。BCC 只评衣服不评人体姿态，所以能反映服装款式——如无袖、袖长、裤长——预测得准不准。）

Table 3：运行时间（秒/图）

方法 时间
PIFuHD 20.43
SMPLicit fits 105.43
ICON 87.88
ClothWild 10.21

SMPLicit fits 慢是因为它要迭代约 200 次把 latent code 拟合到分割上；ICON 也有类似的迭代拟合。ClothWild 是纯前馈、只跑一次。（计时环境：Intel Xeon Gold 6248R CPU + RTX 2080 Ti，不含人体姿态估计 / 分割等前处理。）

Table 5（补充材料）：ClothWild 各组件耗时（秒）

ClothNet SMPLicit Marching Cubes Pose deformation Total
0.01 1.08 3.82 5.10 10.21

可见 ClothNet 极快（0.01s），耗时大头在「从 latent code 生成 3D 人」的环节，Marching Cubes + Pose deformation 两个 CPU 步骤就占了近 9 秒。

定性对比（Fig.5）：PIFu / PIFuHD / ICON 在多样的野外姿势和外观、尤其是遮挡场景下崩掉；ICON 比前两者好但仍缺人体部件；ClothWild 在人被遮挡或截断时仍能重建不可见部分。BCNet 因需扫描训练、在合成数据上训而在野外弱。SMPLicit fits 不用图像特征，因此拿不到遮挡/截断处的上下文，且其 silhouette loss 有深度歧义与像素错位，导致错误款式。

6.4 消融

Table 4：不同损失配置下的 BCC

DensePose-based loss 的作用（上块）：

DensePose Silhouette Regularization BCC ↑
✗ ✓ ✓ 0.644
✓ ✓ ✓ 0.684
✓ ✗ ✓ 0.689（本文）

正则损失的作用（下块）：

DensePose Silhouette Regularization BCC ↑
✓ ✗ ✗ 0.381
✓ ✗ ✓ 0.689（本文）
  • 用 DensePose-based loss 明显优于 silhouette（轮廓投影）loss：后者受深度歧义与像素错位拖累（0.644 → 0.684 体现增量，且去掉 silhouette 只用 DensePose 反而最好 0.689）。
  • 正则损失是生死线：去掉它 BCC 从 0.689 暴跌到 0.381。因为 2D 监督只覆盖衣服局部区域，没正则就会学出过厚、破洞等不合理衣服。

补充实验（Section 13）：服装存在性准确率 0.848，性别准确率 0.918（MSCOCO val）。

7. 额外亮点：可控编辑（补充材料 Section 8）

因为 pose、shape、gender、clothes 是分别预测 latent code 的，所以被解耦了。我们可以只改其中一项再重新前向：

  • 改姿态：编辑 SMPL 关节旋转 $\theta$ → 动画化重建结果；
  • 改体型 / 性别：改变重建出的不穿衣服的身体；
  • 改衣服：替换服装存在性分数与 latent code（例如套用另一个人的衣服）→ 换装。

这对虚拟试衣 / 3D avatar 应用很有用。

8. 局限（作者自述 + 我的补充）

  1. 头发重建：SMPLicit 虽支持头发，但 (a) 它主要在少量女性头发上训练，多样性极差（基本都是女性长发，补充材料 Fig.10a 用两个高斯 code 采样所示）；(b) 头发离身体表面远，而 DensePose-based loss 只监督贴近身体表面的 3D 点，覆盖不到。用 silhouette loss 补也因深度歧义学不好，长头发尤其不自然。
  2. 鞋子重建：高跟等复杂几何的鞋重建差。原因是鞋在分割里像素太少，监督信息量不足。
  3. 表达能力上限：重建精度受限于服装生成模型。当前所有服装生成模型（含 SMPLicit）都难以在 latent space 里编码细致几何（如皱纹 wrinkles）。所以提升生成模型表达能力是未来方向。
  4. 本质约束：因为是「latent code 回归 + 生成模型解码」，衣服拓扑与生成模型能力绑定，无法产生生成模型没见过的衣服结构（如极端宽松、层叠复杂服装）——这正是 4D-DRESS 用真实数据点出的弱点。

9. 与控制变量方法论上的启示

这篇的价值不只在结果，更在「换监督信号」这一思路：

  • 有 3D GT 时用 3D，没有时退而求其次用 2D，但要专门设计损失来消解 2D 的固有歧义（这里 = 深度歧义 + 相机不可知导致的投影错位）。
  • DensePose 是把 2D 像素「锚」到 3D 身体表面的桥梁——它把「像素→3D 点」从病态问题变成近乎确定的问题。这套「用 dense correspondence 消歧」的招，值得迁移到别的单目 3D 任务。
  • 冻结生成模型 + 只训回归器：用生成模型的 latent space 做隐式正则，是在只有弱监督时保住 3D 合理性的关键。
  • 对我们虚拟试衣 / 服装重建方向的直接意义：ClothWild 给出了低成本（不用扫描、单卡 2080 Ti、8 epoch）在真实图上训重建的可复制范式；但若追求皱纹级细节或宽松服装，就得换更强的 garment 表示（神经场 / 显式 mesh 生成），或引入 4D-DRESS 这种真实 4D 数据。

术语表 / Key Terms

  • in-the-wild — 野外的；指真实世界日常环境拍摄的图像（姿势、外观多样，遮挡严重），与合成/棚拍相对
  • domain gap — 域差异；训练集（合成渲染图）与测试集（真实图）之间在分布上的鸿沟
  • weakly supervised / weak supervision — 弱监督；监督信号不是完整 3D GT，而只是单相机视角下的 2D 标注（本文指 cloth segmentation）
  • cloth segmentation — 服装分割；逐像素标出上衣/裤子/裙/鞋等服装区域，本文的 2D 监督目标
  • DensePose — 稠密姿态估计；给出每个像素对应 SMPL 人体表面哪一点的稠密对应，本文用它把 2D 点锚到 3D 身体表面
  • latent code — 潜在编码；低维向量，此处代表某件衣服在生成模型 latent space 中的款式/剪裁
  • cloth generative model — 服装生成模型；由 latent code 生成 3D 衣服，本文用 SMPLicit
  • SMPLicit — 一个 topologically-aware 的服装生成模型（Corona 等 CVPR 2021），输出无符号距离场，被本文直接采用并冻结
  • SMPL — Skinned Multi-Person Linear model，参数化人体模型；由 shape β 与 pose θ 决定
  • SMPL parameter — SMPL 参数；本文指形状 β∈R^10 与姿态 θ∈R^72
  • shape parameter (β) — 形状参数；SMPL 中 T-pose 人体形状空间的 PCA 系数
  • pose parameter (θ) — 姿态参数；SMPL 中各人体关节的 3D 旋转
  • skinning (function) — 蒙皮（函数）；SMPL 中把 template mesh 按关节旋转/权重形变到目标姿态的操作
  • skinning deformation — 蒙皮形变；本文用它驱动衣服顶点跟随最近身体顶点一起变形
  • Marching Cubes — 移动立方体算法；从 3D 标量场（如无符号距离场）提取等值面 mesh
  • unsigned distance field — 无符号距离场；每个 3D 查询点到最近表面的距离（无正负号）
  • canonical space — 规范空间；人体处于 T-pose 的标准坐标系，本文的生成与监督都在此进行
  • T-pose — T 字姿；双臂平举的标准化站姿
  • Asterisk-pose / Astar-pose — 星型姿；双腿略张开的站姿，本文用它生成裤子/裙子的采样包围盒
  • query point — 查询点；在 3D 空间采样、送进生成模型算距离场、并被损失监督的点
  • distance threshold (τ) — 距离阈值；判定查询点是否靠近服装点的阈值，本文 coat 10cm、其余 3cm
  • cut-off distance (d_max) — 截断距离；无符号距离场的最大截断值，本文鞋 0.01、其余 0.1
  • DensePose-based loss — 基于 DensePose 的损失；用 DensePose 把 2D 服装点映成 3D 点、再监督附近查询点，本文核心贡献
  • cloth-to-body mapping — 服装到身体映射；把 2D 服装点经 DensePose 映射到 T-pose 人体表面 3D 点的步骤
  • depth ambiguity — 深度歧义；单一 2D 像素对应 3D 空间无数点，难以定位真实深度
  • pixel-level misalignment — 像素级错位；投影结果与 2D 标注在像素上对不齐（本文因相机不可知而严重）
  • silhouette loss — 轮廓损失；把 3D 结果投影到 2D 分割上做监督，有深度歧义与错位问题（消融对照）
  • ill-posed — 病态的；解不唯一或对输入敏感的问题
  • regularization loss — 正则损失；把预测 latent code 拉向 latent space 均值，防止不合理衣服
  • cloth existence score — 服装存在性分数；人是否穿某件衣服的概率，阈值取 0.25
  • gender classification — 性别分类；预测男/女以选对应 SMPL 人体模型
  • ResNet-50 — 一个 50 层残差网络，本文作 ClothNet 的 backbone
  • Pose2Pose — Moon 等提出的 3D 人体网格估计方法，本文用作 BodyNet
  • Chamfer distance (CD) — 倒角距离；重建与 GT 表面之间的 3D 距离（双向最近点平均），单位 mm
  • Body-cloth correspondence (BCC) — 身体-服装对应；身体表面上服装类型正确的 3D 点占比
  • Procrustes analysis — 普氏分析；刚体对齐（旋转/尺度/平移）的经典方法，评测对齐时隐含使用
  • MSCOCO — 大规模通用图像数据集，本文主训练/评测集
  • DeepFashion2 — 服装相关数据集，本文额外训练集
  • 3DPW — 野外 3D 人体姿态数据集，本文仅用于评测
  • LIP — Look Into Person，人体解析基准，提供 COCO 图像的服装分割标注
  • SCHP — Self-Correction for Human Parsing，本文用它生成 DeepFashion2 的服装分割
  • Homogenus — 一个从图像估计性别/体型的网络，本文用它生成性别监督
  • expression power (of generative model) — （生成模型的）表达能力；能否编码细致几何如皱纹
  • wrinkle — 皱纹；布料细节几何，当前生成模型普遍难以重建
  • ablation study — 消融实验；逐项去掉/替换组件看指标变化
  • iterative fitting — 迭代拟合；反复优化 latent code 去贴合 2D 目标（如 SMPLicit fits 约 200 次）
  • animatable — 可动画化的；重建结果可用任意姿态驱动
  • virtual try-on — 虚拟试衣；本文的应用场景之一
posted @ 2026-09-16 10:17  Quentin_Yws154  阅读(14)  评论(0)    收藏  举报