M-E.GARMENTCODEDATA

M-E.GARMENTCODEDATA是由胡安卡洛斯国王大学和Adobe研究院联合创建的服装缝制模式数据集，基于GARMENTCODEDATA更新而来，包含18,000条经过修改的2D缝制模式，特别增加了工业级多边缘缝合连接的标注。该数据集通过几何特征描述缝制边缘，包括局部形状描述符和拓扑属性，旨在解决传统方法无法处理的非标准化模式和多边缘缝合问题。数据集主要应用于服装自动化组装领域，支持基于几何输入的缝制关系预测，推动数字服装创建工作流程的发展。M-E.GARMENTCODEDATA is a garment sewing pattern dataset jointly created by King Juan Carlos University and Adobe Research, updated based on the original GARMENTCODEDATA. It contains 18,000 modified 2D sewing patterns, with specially added annotations for industrial-grade multi-edge seam connections. This dataset characterizes sewing edges using geometric features including local shape descriptors and topological attributes, aiming to address the non-standardized pattern and multi-edge seam issues that traditional methods cannot handle. The dataset is primarily applied in the field of automated garment assembly, supporting sewing relationship prediction based on geometric inputs, and advancing the development of digital garment creation workflows.

搜集汇总

数据集介绍

构建方式

在服装数字化制造领域，传统缝纫图案常缺乏标准化的缝合标注，限制了自动化装配的发展。M-E.GARMENTCODEDATA数据集基于GARMENTCODEDATA.V2扩展构建，通过专业设计知识识别原始数据中简化的一对一缝合关系，并采用几何合并流程增强现实性。具体而言，对包含袖子的图案执行面板镜像、几何融合与边缘折叠三步操作，将原本分离的袖片与躯干片合并为单一面板，同时将原有缝合标注映射为多边连接注释。这一流程更新了超过1.8万个图案，引入了工业场景中常见的多对一缝合配置，如袖子同时与前、后躯干连接，从而更真实地反映了实际服装组装逻辑。

特点

该数据集的核心特点在于其专注于多边缝合关系的建模，突破了以往数据集中仅支持一对一连接的局限。它涵盖了从简单到复杂的服装结构，平均每个图案包含约10个面板和37个缝合连接，并特别引入了现实制造中常见的多边缝合配置，如袖片与多个躯干片的连接。数据集中每个边缘均通过22维几何特征描述，包括局部形状描述符与拓扑属性，这些特征经过标准化预处理，形成24维输入向量，为基于几何的学习方法提供了丰富且统一的表示。此外，数据集遵循80-10-10的随机划分比例，确保了训练与评估的可靠性。

使用方法

该数据集主要用于训练和评估自动化服装缝合预测模型，特别是处理几何输入而非语义标注的算法。研究人员可将其作为基准，测试图神经网络等模型在预测多边缝合关系上的性能。使用前需加载图案的二维轮廓数据，提取每个缝合边缘的几何特征，并构建图结构，其中节点代表边缘，边基于面板拓扑连接。模型可学习全局嵌入，通过可微分最优传输求解部分分配问题，输出缝合对应关系，包括多边连接。数据集的评估指标包括总精度、召回率、F1分数及多边缝合专项指标，以及服装缝合百分比，全面衡量装配成功率。

背景与挑战

背景概述

M-E.GARMENTCODEDATA数据集由Ríos-Navarro、Garces和Lopez-Moreno等研究人员于2026年提出，旨在解决服装制造领域中的自动化缝纫预测问题。该数据集基于GARMENTCODEDATA.V2扩展，通过引入多边缝合标注，更真实地反映了工业级服装组装场景。其核心研究问题聚焦于如何从二维缝纫图案的几何轮廓中自动预测缝合对应关系，而无需依赖语义标签或三维信息。这一工作推动了数字服装设计流程的现代化，为自动化服装组装提供了关键数据支持，显著提升了相关算法的实用性和泛化能力。

当前挑战

该数据集旨在解决服装缝纫预测中的多边连接挑战，传统方法通常假设一对一缝合，忽视了工业图案中常见的单边与多边同时缝合的复杂配置。构建过程中的主要挑战包括对原始数据集中过度简化图案的修正，例如将袖子和躯干面板从镜像分割状态合并为统一组件，并确保几何合并后边缘曲率与长度的兼容性。此外，标注流程需精确映射原始缝合关系到新生成的多边边缘，以保持数据的一致性与真实性。

常用场景

经典使用场景

在数字服装设计与自动化制造领域，M-E.GARMENTCODEDATA数据集为基于几何特征的缝合预测研究提供了关键支撑。该数据集最经典的使用场景是训练和评估图神经网络模型，以自动识别二维缝纫图案中面板边缘之间的缝合对应关系，特别是处理工业场景中常见的多对一缝合连接。通过将图案建模为图结构，研究者能够利用局部形状描述符和拓扑属性，无需依赖语义标签即可实现高精度匹配，从而推动服装组装流程的自动化。

解决学术问题

该数据集有效解决了服装自动化领域长期存在的学术难题，即如何在不依赖标准化标注或语义线索的情况下，从纯几何输入中推断缝合关系。传统方法受限于手工启发式规则或面板标签，难以处理现实世界中非标准化的图案。M-E.GARMENTCODEDATA通过引入多边缘缝合注释，使模型能够学习复杂的一对多连接逻辑，显著提升了缝合预测的鲁棒性和泛化能力，为几何驱动的研究范式奠定了数据基础。

衍生相关工作

围绕该数据集衍生了一系列经典研究工作，例如AutoSew框架将缝合预测形式化为图匹配问题，结合图神经网络与可微分最优传输求解器，实现了端到端的多边缘连接预测。其他研究如GarmageNet和Panelformer等也借鉴了数据集的几何标注思路，扩展了从图像或点云重建缝纫图案的方法。这些工作共同推动了数字服装建模领域的技术进步，并促进了工业级自动化解决方案的发展。