SIZER

SIZER数据集是由马克斯普朗克信息学研究所创建的，包含约2000个不同尺寸的休闲服装扫描数据，涵盖100个不同体型的穿着者。该数据集不仅包括扫描数据，还提供了对SMPL模型的注册、服装部分的分割、服装类别和尺寸标签。创建过程涉及对3D扫描的分割和体型估计，以及对服装的跨数据集注册。SIZER数据集主要应用于虚拟试衣、角色动画、生成模型学习等领域，旨在解决3D服装建模中尺寸和体型的敏感性问题。The SIZER dataset was developed by the Max Planck Institute for Informatics. It comprises approximately 2,000 scanned casual clothing samples of varying sizes, covering 100 wearers with distinct body shapes. In addition to the raw scan data, this dataset also provides SMPL model registration, clothing part segmentation, as well as clothing category and size annotations. The dataset creation process involves 3D scan segmentation and body shape estimation, alongside cross-dataset registration for clothing items. The SIZER dataset is primarily applied in fields such as virtual try-on, character animation, generative model learning and other relevant domains, aiming to address the sensitivity issues of size and body shape in 3D clothing modeling.

搜集汇总

数据集介绍

构建方式

在三维服装建模领域，构建能够反映真实尺寸变化的数据集面临显著挑战。SIZER数据集通过采用高精度静态扫描系统，对100名受试者穿着10类日常服装在多种尺寸下的形态进行采集，总计获得约2000个三维扫描样本。所有受试者均保持放松的A姿态，以消除姿态引起的服装形变干扰。原始扫描数据经过多视角重建生成网格模型后，进一步通过SMPL+G配准流程进行处理，将服装与人体形状分离，并为每个样本提供服装类别、尺寸标签以及分割后的多层网格表示，从而建立起具有严格对应关系的结构化三维服装尺寸数据集。

特点

SIZER数据集的核心特征在于其首次系统性地捕捉并标注了真实服装在多种标准尺寸下的三维形变。该数据集不仅包含高分辨率的三维扫描网格，还提供了经过配准的SMPL人体参数、分离的服装层网格、精确的服装语义分割以及尺寸标签。相较于现有合成数据集，SIZER源于真实扫描，能准确反映服装因尺寸变化而产生的细微褶皱、贴合度等非线性形变特征。其结构化设计支持对服装尺寸、人体形状与服装 draping 之间复杂关系的量化研究，为数据驱动的三维服装建模提供了高质量的基准。

使用方法

该数据集主要服务于三维服装解析、尺寸敏感建模及虚拟试穿等研究方向。研究者可利用其提供的SMPL+G配准数据，直接训练或评估服装解析网络，如论文中的ParserNet，实现从单层网格到服装与人体分离的多层表示的自动转换。同时，其丰富的尺寸标注样本可用于训练如SizerNet等条件生成模型，预测特定人体形状上不同尺寸服装的穿着效果。数据集的结构化格式便于进行服装形变分析、尺寸迁移实验，并可作为基准测试平台，推动三维服装理解与编辑算法的发展。

背景与挑战

背景概述

在三维人体建模与虚拟试衣领域，精确预测服装在不同尺码下的形变一直是一项核心挑战。2020年，由德国马克斯·普朗克信息学研究所与Facebook现实实验室联合发布的SIZER数据集，首次系统性地解决了这一难题。该数据集包含约2000个高精度三维扫描样本，涵盖100名不同体型的受试者穿着10类日常服装在多种尺码下的形态。其核心研究目标在于建立数据驱动的模型，以解析服装尺码、人体体型与三维服装形变之间的复杂非线性关系，为虚拟试衣、数字内容生成及服装推荐系统提供了至关重要的真实数据基础，显著推动了三维服装建模从仿真模拟向数据驱动范式的演进。

当前挑战

SIZER数据集旨在解决的领域挑战，在于三维服装的尺码敏感形变预测。传统方法依赖物理仿真，难以精准模拟真实服装在人体上的穿着效果，尤其无法量化尺码变化带来的微妙形变差异。在构建过程中，研究团队面临多重技术挑战：首先，需要对原始三维扫描数据进行精确的多层网格注册，将服装与人体分离，并建立跨样本的拓扑对应关系，这一过程涉及复杂的扫描分割、非刚性配准及人体形状估计；其次，数据集需在保持高几何细节的同时，确保不同尺码服装在统一模板下的参数化表征，以支持机器学习模型的训练。这些挑战对数据标注的精度与一致性提出了极高要求。

常用场景

经典使用场景

在三维人体建模与服装仿真领域，SIZER数据集为研究服装尺寸变化对三维服装形变的影响提供了关键数据支撑。该数据集通过采集100名受试者穿着10类日常服装在不同尺寸（如S、M、L、XL）下的约2000次高精度三维扫描，构建了首个真实世界中的服装尺寸变化数据集。其经典使用场景集中于训练数据驱动的神经网络模型，如SizerNet，以预测特定人体体型与服装尺寸参数下的三维服装悬垂效果，从而在虚拟试衣、动画生成等任务中实现精准的服装尺寸编辑与可视化。

衍生相关工作

SIZER数据集的发布催生了一系列围绕三维服装解析与尺寸建模的衍生研究。基于该数据集训练的SizerNet与ParserNet模型，为后续工作提供了核心架构参考，例如在服装形变预测中引入更精细的纹理信息或多姿态泛化。相关研究扩展至结合合成数据（如Cloth3D）与真实扫描的混合建模方法，以提升模型在复杂姿态下的鲁棒性。同时，该数据集促进了三维人体形状估计与服装分割任务的进展，如基于深度学习的隐式服装重建、语义对应分析等方向，推动了三维数字人技术向更高保真度与自动化程度演进。

数据集最近研究

最新研究方向

在三维服装建模与虚拟试穿领域，SIZER数据集正推动着尺寸敏感型服装解析与生成的前沿研究。该数据集通过捕捉真实人体穿着不同尺码服装的三维扫描数据，为数据驱动的服装变形模型提供了关键支撑。当前研究热点聚焦于利用深度学习网络（如SizerNet和ParserNet）实现服装尺码的自动调整与多层网格解析，这不仅能提升虚拟试穿的精准度，还能优化电子商务中的尺寸推荐系统，减少因尺码不符导致的退货损失。此外，结合人体形状参数与服装尺寸标签的生成模型，正在拓展增强现实（AR）与虚拟现实（VR）中的个性化内容创作，为动画制作和虚拟形象设计带来革新。SIZER的发布促进了三维服装解析、分割与尺寸预测的标准化基准建立，对计算机视觉与图形学交叉领域具有深远影响。

相关研究论文

• SIZER: A Dataset and Model for Parsing 3D Clothing and Learning Size Sensitive 3D Clothing

  马克斯普朗克信息学研究所 · 2020年