SemDraft：从成对服装纸样中学习可执行制版程序
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出 SemDraft，用于从成对的前后服装纸样中学习可执行的制版程序，且不需要记录编辑步骤。方法用有界搜索恢复编辑动作序列，并通过三项检查认证：从头重新编译、判断每对动作是有序还是可互换、独立重放得到相同纸样。认证后的程序用于训练一个在同一搜索中给候选动作排序的模型。在两个各含 80 个顺序敏感案例的固定抽样上，其他搜索组件不变时，学习到的排序器在 1000 次搜索执行内分别认证 63 和 64 个案例，非学习排序器最多为 53 和 52。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从结果反推编辑步骤
现有模型能从图像或文本生成缝纫纸样，基于程序的表示让纸样可执行，但这些系统只产出最终纸样，不建模制版者如何从一个纸样得到另一个。实际中新款式往往通过编辑已有纸样完成，例如加长衣身、移动省道、更换袖子。纸样档案只记录编辑结果，不记录中间步骤。作者观察到，这些步骤可以通过在编辑动作上搜索来恢复，直到一个纸样变成另一个，而确定性编译器让恢复出的步骤可被检查。
搜索与三重认证
SemDraft 的流程是：有界搜索恢复一串编辑动作组成的程序，并只在通过三项检查后才予以认证——该程序从头重新编译、其每一对动作被判定为有序或可互换、独立重放能到达相同纸样。通过认证的程序随后用于训练一个模型，该模型在同一个搜索过程中对候选动作排序，从而引导搜索更快找到可认证的程序。
评测设置与结果
在两个各含 80 个顺序敏感案例的固定抽样上，保持其他搜索组件不变，学习到的排序器在 1000 次搜索执行内分别认证 63 和 64 个案例；作为对照，非学习排序器最多认证 53 和 52 个案例。这一对比说明学习到的排序在相同搜索预算下能提高可认证案例的数量。
为什么值得看
把纸样编辑过程变成可搜索、可验证的程序，为制版自动化提供可复现的评测基准。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。