AI+服饰设计助力重塑行业生态

2019年4月，由中国服装协会和上海时尚之都促进中心共同主办的以“未来时尚”为设计主题的2019中国国际服装设计创新大赛在上海落下帷幕，欧洲设计学院获得冠军，16支参赛队伍中唯一的“非人类设计师”——深兰科技服饰辅助设计系统，异军突起，获得了亚军，并同时斩获了“最受大众欢迎奖”。

“深兰科技服饰辅助设计系统”由深兰科学院自主研发，起初系统以服装生成和风格迁移这两个功能为主，随着系统的不断提升完善，如今又新增加了智能量体和虚拟试衣技术。下面，就为大家一一介绍这四项技术。

01服装生成技术

服装生成的核心是训练一个针对于服装样本的生成式对抗网络，目标是让网络的生成器通过学习已有的走秀图，来生成大量新的服装。

这里我们简单的介绍一下生成式对抗网络（GAN， Generative Adversarial Networks），一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成器和判别器的互相博弈学习产生相当好的输出。

生成式对抗网络逻辑图

服装生成技术中，生成器生成的图像作为假图像，收集到的服装走秀图作为真图像，都进入判别器来判断图像的真假。生成器为了骗过判别器，则需要不断地优化网络参数，最后达到生成的图像越来越精细乃至以假乱真的效果。

高质量的生成需要大量高清的样本，我们通过2年时间收集了30万张高清图作为样本。下面来展示一下服装生成技术的结果。

02风格迁移技术

服装的风格迁移就是将指定的风格元素迁移到服装上，用到的技术就是风格迁移（Style Transfer）。它是使用深度卷积网络CNN提取一张图片的内容和另一张图片的风格， 然后将两者结合起来得到最后的融合结果。

在服装风格迁移技术中，我们将需要迁移的服装部分抠取出来，我们抠取了整套服装，可以看到整套服装的迁移效果。风格迁移可以指定迁移的风格、迁移的程度和迁移的位置。

03智能量体技术

通过图像的人体3D重建算法有很多，比如PIFUHD算法就可以通过单张图像推理出人体的3D模型。

我们通过PIFUHD算法得到3D模型，通过标定身高的方法，让3D模型与真人进行匹配，则得到了真人的所有身体维度数据。

通过这种方法得到的人体3D模型会存在侧面和背面误差较大的问题，所以我们在PIFUHD的基础上做了优化。我们采用正面图、侧面图和背面图作为算法模型的输入，通过3张图来获取人体的3D模型，利用多视点融合技术，通过测试对象的多角度图像来估计出当前对象的3D模型，最后再通过对象的身高来标定3D模型，将身体的大围度误差控制在了1cm以内。

04虚拟试衣技术

PF-AFN算法是目前效果最好的虚拟试衣算法。

我们在PF-AFN算法的基础上训练了自己的虚拟试衣模型，我们利用深兰工装做的虚拟试衣结果，展示的是将深兰的无袖毛衫虚拟试穿到模特身上的试衣效果。

中国的AI企业已经具备了通过大数据系统处理纷繁复杂信息的能力，能帮助设计师解决重复性的工作，为缺乏设计能力的品牌方服务，重塑整个服饰设计生态，也显示了中国人工智能技术在服装创意设计、材料使用、色彩搭配、市场趋势、大数据技术应用等方面取得的前瞻性进步。

编辑：jq