PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23548v1cs.CV

SewFusion: 재봉 패턴을 위한 위상 및 패널 수준 기하학의 맞춤형 생성

SewFusion: Tailored Generation of Topology and Panel-Level Geometry for Sewing Patterns

이미지와 텍스트로부터 재봉 패턴을 생성하려면 이산적 위상(topology)과 연속적 기하학(geometry)으로 구성된 이종 표현(heterogeneous representation)을 모델링해야 합니다. 기존 방법들은 주로 두 가지 패러다임을 따릅니다. 확산 기반(diffusion-based) 방법은 전체 패턴을 연속적인 표현으로 변환하여 전체적인 기하학 생성을 가능하게 하지만 이산적 위상 모델링을 약화시킵니다. 반면, 자기회귀(autoregressive) 방법은 다음 토큰 예측(next-token prediction)을 통해 이산적 위상을 보존하지만, 연속적 기하학 회귀를 패널 수준의 문맥이 제한된 토큰 수준의 은닉 상태(hidden states)에 결속시킵니다. 이러한 격차를 해소하기 위해, 우리는 이산적 위상과 패널 수준의 연속적 기하학에 대해 맞춤형 생성 메커니즘을 채택하여 전자에는 다음 토큰 예측을, 후자에는 플로우 매칭(flow matching)을 사용하는 통합 자기회귀 프레임워크인 SewFusion을 제안합니다. 패널 수준의 연속적 기하학 생성을 지원하기 위해 가변 길이의 패널 기하학에 대한 고정 크기 잠재 공간(latent space)을 학습하는 Panel Geometry VAE와 잠재 생성을 위한 Panel Geometry Flow를 도입합니다. 나아가 위상 문맥에서의 학습-추론 불일치를 줄이고 위상 예측 오류에 대한 강건성을 향상시키기 위해 Panel-Forcing을 제안합니다. SewFactory 및 GCD-MM에 대한 광범위한 실험은 SewFusion이 다양한 설정에서 기존의 최첨단 방법들을 일관되게 능가하며, 이미지-텍스트 기반 생성 설정에서 패널 정확도(Panel Accuracy) +6.36%, 스티치 정확도(Stitch Accuracy) +11.30%, 정점 L2 오차(Vertex L2 error) -1.90을 달성함을 입증합니다.

arXiv:2607.21213v1cs.CV

학습 기반 재봉 패턴 솔기 대응 재구성

Learning-based Seam Correspondence Reconstruction in Sewing Patterns

디지털 재봉 패턴은 일반적으로 명시적인 봉합(stitch) 주석 없이 분리된 2D 패널로 구성되어, 후속 3D 모델링이 노동 집약적인 전문가 지정에 의존하게 만든다. 본 논문에서는 2D 패널 기하 정보만으로 거친 수준의 패널 연결성과 세밀한 솔기 대응(seam correspondence)이라는 2단계 봉합(stitching) 정보를 재구성하는 그래프 기반 학습 프레임워크를 제안한다. 거친 수준에서는 해부학적 신체 영역과 연관된 패널 의미를 예측하여 패널 연결성을 추론하고, 신체 구조 및 의류 설계 관례와의 일관성을 강제한다. 재구성된 패널 그래프를 바탕으로, 그래프 메시지 전달(graph message passing)을 통해 국소 솔기 기하와 전역 의류 컨텍스트를 공동으로 인코딩하는 잠재 엣지 표현을 학습하여 패널 쌍 간의 세밀한 솔기 대응을 추론한다. 결과적으로 얻은 엣지 임베딩(embedding)은 이후 상세한 솔기 대응으로 디코딩된다. 본 방법은 다대일 대응, 패널 내부 솔기, 곡선 솔기를 포함한 복잡한 재봉 패턴 토폴로지를 지원한다. 실험 결과, 높은 봉합 정확도와 다양한 의류 스타일에 걸친 강한 일반화 성능을 보여준다.