ST-Net-dataset

ST-Net-dataset是由哈尔滨工业大学（深圳）研究团队构建的大规模数据集，专门用于无监督的协同服装合成任务。该数据集包含30,876张上下装服装图片，涵盖了多种风格和纹理的服装。数据集的创建过程通过图论方法和感知图像块相似性（LPIPS）确保训练集和测试集之间没有重叠。数据集的应用领域主要集中在时尚设计和服装生成，旨在通过自监督学习生成与给定服装风格和纹理相匹配的协同服装，解决传统方法依赖配对数据集的问题。ST-Net-dataset is a large-scale dataset developed by the research team at Harbin Institute of Technology (Shenzhen), exclusively tailored for unsupervised collaborative clothing synthesis tasks. It comprises 30,876 images of upper and lower garments, covering diverse clothing styles and textures. During the dataset construction, graph theory approaches and Learned Perceptual Image Patch Similarity (LPIPS) are utilized to ensure no data overlap between the training set and the test set. The primary application scenarios of this dataset lie in fashion design and clothing generation, where it aims to generate collaborative garments that match the style and texture of a given clothing item via self-supervised learning, thereby resolving the limitation of traditional methods that rely on paired datasets.

原始信息汇总

数据集概述

数据集名称

ST-Net-dataset

数据集任务类别

• 图像到图像（image-to-image）

数据集规模

• 10K < n < 100K（包含30,876张图像）

数据集用途

该数据集用于自监督的搭配服装合成（Collocated Clothing Synthesis, CCS）任务，涵盖上衣和下装两类服装。

数据集划分

• 数据集被划分为训练集和测试集，比例为4:1。
• 划分适用于“上衣 → 下装”和“下装 → 上衣”两种设置。
• 通过图基方法和学习感知图像块相似性（LPIPS）确保训练集和测试集之间没有重叠。

图像分辨率

• 所有图像的分辨率为256 x 256像素。

引用

如果使用该数据集，请引用以下论文：

@inproceedings{dong2024towards, title={Towards Intelligent Design: A Self-Driven Framework for Collocated Clothing Synthesis Leveraging Fashion Styles and Textures}, author={Dong, Minglong and Zhou, Dongliang and Ma, Jianghong and Zhang, Haijun}, booktitle={ICASSP 2024-2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, pages={3725--3729}, year={2024}, organization={IEEE} }

搜集汇总

数据集介绍

构建方式

ST-Net数据集的构建基于无监督的服装搭配合成任务，旨在通过自监督学习从服装的风格和纹理属性中推断出时尚兼容性规则。数据集包含30,876张图像，涵盖上下装服装类别。为确保训练集和测试集之间的独立性，采用了基于图的方法和感知图像块相似性（LPIPS）进行相似性比较，避免图像重叠。所有图像的分辨率为256×256像素，数据集的构建过程避免了传统依赖专家标注的配对服装数据集，显著降低了数据收集的复杂性和成本。

特点

ST-Net数据集的特点在于其专注于无监督的服装搭配合成任务，通过自监督学习从服装的风格和纹理中提取兼容性规则。数据集包含丰富的上下装服装图像，覆盖多种时尚风格和纹理特征。其独特之处在于无需依赖配对服装数据，而是通过自监督机制从单件服装中生成兼容的搭配。此外，数据集通过双判别器机制增强了生成图像的视觉真实性，确保了生成服装的时尚兼容性和视觉质量。

使用方法

ST-Net数据集的使用方法主要围绕无监督的服装搭配合成任务展开。用户可以通过输入单件服装图像，利用ST-Net生成与之兼容的搭配服装。数据集支持上下装之间的双向转换（如‘上装→下装’和‘下装→上装’），并通过风格和纹理引导的判别器确保生成服装的时尚兼容性。此外，双判别器机制进一步提升了生成图像的视觉真实性。用户可通过训练和测试集对模型进行验证，评估生成服装的视觉质量和兼容性。

背景与挑战

背景概述

ST-Net数据集由哈尔滨工业大学（深圳）的Minglong Dong、Dongliang Zhou等研究人员于2025年提出，旨在解决时尚领域中的搭配服装生成问题。该数据集的核心研究问题是通过无监督学习生成与给定服装风格和纹理相匹配的搭配服装，从而减少对人工标注的依赖。ST-Net数据集的构建基于大规模的上衣和下装服装图像，涵盖了30,876张图像，为无监督搭配服装合成（CCS）任务提供了重要的数据支持。该数据集的提出不仅推动了时尚设计领域的智能化发展，还为生成对抗网络（GAN）在图像生成任务中的应用提供了新的研究方向。

当前挑战

ST-Net数据集在解决搭配服装生成问题时面临多重挑战。首先，传统的图像翻译方法依赖于输入和输出图像之间的空间对齐，而搭配服装的生成则更注重风格和纹理的协调性，而非空间对齐，这使得直接应用现有方法效果不佳。其次，数据集的构建过程中，如何从大量未配对的服装图像中提取风格和纹理信息，并生成视觉真实且风格匹配的服装，是一个复杂的任务。此外，生成模型的训练过程中，如何避免模式崩溃并确保生成图像的视觉真实性，也是亟待解决的难题。ST-Net通过引入风格和纹理引导的判别器以及双判别器机制，部分缓解了这些问题，但仍需进一步优化以提升生成效果。

常用场景

经典使用场景

ST-Net数据集在时尚科技领域中的经典使用场景主要体现在其能够通过生成对抗网络（GAN）技术，自动生成与给定服装单品相匹配的搭配服装。这一场景尤其适用于时尚设计师和电商平台，帮助设计师快速生成多样化的服装搭配方案，同时为电商平台提供个性化的推荐服务。通过ST-Net，用户无需依赖预先配对的服装数据集，即可生成视觉上和谐且风格一致的搭配服装。

衍生相关工作

ST-Net数据集的推出催生了一系列相关研究工作，尤其是在无监督图像翻译和时尚搭配生成领域。基于ST-Net的框架，研究者们进一步优化了生成对抗网络的结构，提出了多种改进模型，如结合多判别器的生成网络和基于风格纹理的增强模型。这些衍生工作不仅提升了生成服装的视觉质量，还扩展了ST-Net在跨领域任务中的应用，如虚拟试衣、时尚推荐系统等，推动了时尚科技领域的持续创新。

数据集最近研究

最新研究方向

在时尚技术领域，ST-Net数据集的推出标志着无监督搭配服装合成（CCS）研究的新里程碑。该数据集通过自监督学习框架，利用生成对抗网络（GAN）从服装的风格和纹理属性中推断出时尚兼容性规则，从而无需依赖成对的服装数据集。这一创新不仅显著降低了数据收集的复杂性和成本，还提高了生成服装的视觉真实性和时尚兼容性。ST-Net的研究方向主要集中在如何通过风格和纹理引导的生成网络，实现更高效、更自然的服装搭配生成，这对于推动个性化时尚设计和智能服装推荐系统的发展具有重要意义。

相关研究论文

• Towards Intelligent Design: A Self-driven Framework for Collocated Clothing Synthesis Leveraging Fashion Styles and Textures

  哈尔滨工业大学（深圳） · 2025年