服装规范数据集

本仓库展示了在以下论文中提出的虚拟试穿数据集：

D. Morelli, M. Fincato, M. Cornia, F. Landi, F. Cesari, R. Cucchiara
Dress Code: 高分辨率多类别虚拟试穿

[论文] [数据集申请表] [试穿演示]

重要提示！

• 使用 Dress Code 数据集的任何行为均表示您已接受并同意遵守此处链接所列的条款与条件。
• 该数据集不会向私营企业开放。
• 填写数据集申请表时，不允许使用非机构邮箱（如 gmail.com、qq.com 等）。
• 必须提交签署好的发布协议表格（详情请参阅数据集申请表）。未完整填写或未签名的发布协议将不予受理，且不会收到回复。

申请将每周人工审核一次。如果您未收到回复，说明您的申请不符合相关要求。

请使用以下 BibTeX 格式引用：

@inproceedings{morelli2022dresscode,
  title={{Dress Code: High-Resolution Multi-Category Virtual Try-On}},
  author={Morelli, Davide and Fincato, Matteo and Cornia, Marcella and Landi, Federico and Cesari, Fabio and Cucchiara, Rita},
  booktitle={Proceedings of the European Conference on Computer Vision},
  year={2022}
}

数据集

我们收集了一个基于图像的虚拟试穿新数据集，由来自 YOOX NET-A-PORTER 不同目录的图像对组成。
该数据集包含超过 5 万对高分辨率模特服装图像，分为三个不同类别（即连衣裙、上衣和下装）。

概述

• 53792 件服装
• 107584 张图像
• 3 个类别
  • 上衣
  • 下装
  • 连衣裙
• 图像分辨率为 1024 x 768
• 其他信息
  • 关键点
  • 骨骼结构
  • 人体标签图
  • 人体密集姿态

附加信息

除了模特和服装的图像对之外，我们还提供了关键点、骨骼结构、人体标签图以及密集姿态信息。

 0    背景
 1    帽子
 2    头发
 3    太阳镜
 4    上衣
 5    半身裙
 6    裤子
 7    连衣裙
 8    腰带
 9    左鞋
10    右鞋
11    头部
12    左腿
13    右腿
14    左臂
15    右臂
16    包
17    围巾

实验结果

低分辨率 256 x 192

代码

由于合作关系的限制，我们无法公开代码。不过，我们提供了一个空的 PyTorch 项目用于加载数据。

参考文献

[1] 曹等.“OpenPose：基于部位亲和场的实时多人二维姿态估计”。IEEE TPAMI，2019年。

[2] 李等.“人体解析的自校正方法”。arXiv，2019年。

[3] 居勒等.“Densepose：野外环境下的密集人体姿态估计”。CVPR，2018年。

[4] 王等.“面向特征保留的基于图像的虚拟试穿网络”。ECCV，2018年。

[5] 米纳尔等.“CP-VTON+：服装形状与纹理保留的基于图像的虚拟试穿”。CVPR研讨会，2020年。

[6] 葛等.“通过蒸馏外观流实现无解析器的虚拟试穿”。CVPR，2021年。

[7] 芬卡托等.“VITON-GT：一种基于几何变换的图像型虚拟试穿模型”。ICPR，2020年。

[8] 伊森胡斯等.“无需遮挡的部分不必遮挡：一种无解析器的虚拟试穿方法”。ECCV，2020年。

[9] 杨等.“通过自适应生成并保留图像内容实现照片级真实的虚拟试穿”。CVPR，2020年。

联系方式

如您对我们的数据集有任何一般性疑问，请使用本GitHub仓库的公开问题专区。或者，您也可以发送邮件至 davide.morelli [at] unimore.it 或 marcella.cornia [at] unimore.it。

Dress Code 数据集快速上手指南

Dress Code 是一个用于基于图像的虚拟试穿（Virtual Try-On）的高分辨率多类别数据集。该数据集包含来自 YOOX NET-A-PORTER 目录的超过 50,000 对高分辨率模特与服装图像，涵盖上衣、下装和连衣裙三个类别，并提供关键点、骨架、人体标签图和密集姿态等额外标注信息。

注意：本项目主要提供数据集申请流程及数据加载代码框架。由于合作限制，完整的训练与推理代码未开源。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 18.04+) 或 macOS
• Python: 3.7 或更高版本
• 深度学习框架: PyTorch (用于数据加载示例)
• 依赖库:
  • torch
  • torchvision
  • Pillow (处理图像)
  • json (标准库，用于解析关键点数据)

前置依赖安装命令：

pip install torch torchvision pillow

国内加速建议：建议使用清华或阿里镜像源安装 PyTorch 及相关依赖，以提升下载速度。

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装与数据获取步骤

由于数据集包含版权图片且不对私营企业开放，无法直接通过命令行下载，必须经过人工审核申请。

第一步：申请数据集访问权限

1. 访问 数据集申请表单。
2. 重要限制：
   • 必须使用机构邮箱（如 .edu, .ac.cn 等），不支持 Gmail、QQ、163 等公共邮箱。
   • 数据集不向私营公司发放。
   • 必须下载并签署发布协议（Release Agreement Form），手写签名有效，电子打字签名无效。
3. 提交后等待每周一次的人工验证。若未收到回复，说明申请不符合要求。

第二步：获取代码框架

数据集审核通过后，您将收到下载链接。同时，您可以克隆官方提供的空 PyTorch 项目框架用于数据加载测试：

git clone https://github.com/aimagelab/dress-code.git
cd dress-code

第三步：配置数据路径

将下载并解压后的数据集放置在项目目录中（或自定义路径），确保目录结构包含图像对及对应的 JSON 标注文件（keypoints, label maps 等）。

3. 基本使用

官方提供了一个基础的 PyTorch 数据加载框架。以下是如何读取数据集图像对及关键点信息的简单示例。

假设您已按照数据集结构整理了文件夹，以下代码演示了如何解析关键点数据（Keypoints）：

import json
import os
from PIL import Image

# 配置数据路径
data_root = "./path/to/dress_code_dataset"
sample_json_path = os.path.join(data_root, "keypoints", "sample_image.json")

# 1. 加载关键点数据 (Keypoints)
# 每个 JSON 文件包含一个字典，键为 'keypoints'
with open(sample_json_path, 'r') as f:
    data = json.load(f)

keypoints = data['keypoints']

# 解析关键点坐标
# 格式：列表包含 18 个元素，每个元素为 [x, y, score, ?] (前两个为坐标)
print(f"检测到 {len(keypoints)} 个关键点")
for i, kp in enumerate(keypoints):
    x, y = kp[0], kp[1]
    print(f"关节 {i}: x={x}, y={y}")

# 2. 加载图像示例
img_path = os.path.join(data_root, "images", "sample_image.jpg")
if os.path.exists(img_path):
    image = Image.open(img_path)
    print(f"图像分辨率：{image.size}") # 应为 1024 x 768

# 3. 人体标签图类别映射参考 (Human Label Map)
# 0: background, 1: hat, 2: hair, ..., 7: dress, etc.
category_map = {
    0: "background", 4: "upper_clothes", 5: "skirt", 
    6: "pants", 7: "dress", 12: "left_leg", 13: "right_leg"
}

数据特征总结：

• 图像分辨率: 1024 x 768
• 关键点: 使用 OpenPose 提取的 18 个关节点。
• 分割掩码: 使用 SCHP 模型生成的 18 类人体解析图。
• 密集姿态: 包含 DensePose 提取的 UV 映射信息。

如需进一步研究，请参考论文 Dress Code: High-Resolution Multi-Category Virtual Try-On 并引用相关 BibTeX。