徐 俊，普?qǐng)@媛,b，徐 丹，趙征鵬，錢文華，吳 昊，陽秋霞

(云南大學(xué) a.信息學(xué)院，b.云南省高校物聯(lián)網(wǎng)技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，昆明 650504)

隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，越來越多的人喜歡在電商平臺(tái)(如淘寶、蘑菇街、唯品會(huì))購買衣服。但由于電商平臺(tái)的特殊性，人們只能通過虛擬模特來觀察服裝效果，并不能直觀地判斷服裝是否適合自己。針對(duì)如何讓服裝虛擬試穿到用戶身上是目前試衣領(lǐng)域的研究熱點(diǎn)，用戶通過試衣結(jié)果體驗(yàn)自己穿著不同款式的服裝，可以直觀判斷自己是否心儀某件衣服，從而幫助用戶做出購買決策。

為了滿足上述需求，學(xué)者們將GAN[1]應(yīng)用于虛擬試衣任務(wù)，借助GAN將服裝虛擬試穿到人物圖像上，直觀觀察服裝試穿效果。而虛擬試衣與圖像生成[2-3]、圖像翻譯[4-6]以及圖像編輯[7]等任務(wù)有著本質(zhì)的不同。虛擬試衣時(shí)圖像會(huì)產(chǎn)生幾何形變，細(xì)節(jié)特征容易丟失，因此學(xué)者將傳統(tǒng)的像素間損失(L1和L2損失)和感知損失[8]引入到GAN中，來保留圖像信息。此外還引入了對(duì)抗損失[4]，最大限度減小對(duì)抗損失，使得生成器生成的圖像更接近原始圖像，但是會(huì)遺漏關(guān)鍵的細(xì)節(jié)特征。在面臨巨大的幾何變化時(shí)，細(xì)節(jié)的保存能力較差，這就限制了GAN在虛擬試衣中的應(yīng)用。

DONGGEUN et al[9]采用結(jié)合GAN和深度CNN的方式來完成圖像生成任務(wù)，在沒有考慮人物姿勢(shì)的前提下，通過穿著服裝的人物圖像生成其上衣圖像。LASSNER et al[10]提出了圖像級(jí)穿著全身服裝的人物生成模型，可以根據(jù)人物姿勢(shì)形態(tài)進(jìn)行服裝調(diào)整，但服裝是隨機(jī)生成，并沒有考慮如何控制服裝項(xiàng)。WEI-LIN et al[11]訓(xùn)練了提升服裝時(shí)尚感的模型，能自動(dòng)度量時(shí)尚標(biāo)準(zhǔn)，對(duì)全身服裝進(jìn)行微小改變，可以將輸入圖像的服裝調(diào)整為更加時(shí)尚的服裝。NIKOLAY et al[12]采用GAN實(shí)現(xiàn)2D試衣，讓模特試穿給定的服裝，但是沒有考慮人物的姿態(tài)，要求人物圖像和服裝圖像高度對(duì)齊。WANG et al[13]提出了通過一個(gè)端到端的網(wǎng)絡(luò)來聚合服裝圖像的多尺度特征，結(jié)合姿態(tài)和參考服裝生成新人物圖像，但參考服裝的紋理形變程度過大，偏離了原始圖像的紋理。YANG et al[14]在TPS形變的基礎(chǔ)上，引入了二階差分約束，使得參考服裝的紋理不會(huì)發(fā)生較大形變，效果更加真實(shí)，但人物姿態(tài)較為復(fù)雜時(shí)，會(huì)出現(xiàn)無法正確試衣的情形。HAN et al[15]提出先生成粗糙試衣圖像，再對(duì)參考服裝的特征信息進(jìn)行二次提取，來合成更加真實(shí)的試衣圖像，但是依然會(huì)丟失服裝和人物細(xì)節(jié)特征。WANG et al[16]在此基礎(chǔ)上，提出了特征保留的試衣網(wǎng)絡(luò)，更好地保留了參考服裝圖像的細(xì)節(jié)特征，但試衣后人物細(xì)節(jié)特征丟失，除服裝區(qū)域變化外，人物手臂手部區(qū)域以及其它非試衣服裝區(qū)域發(fā)生了不可控的變化，無法合成更加寫實(shí)保真的圖像。MINAR et al[17]在WANG et al[16]的基礎(chǔ)上，提出了服裝形狀和紋理保留網(wǎng)絡(luò)，雖然它優(yōu)于目前的方法，但對(duì)于長袖款、紋理復(fù)雜的服裝圖像，以及姿態(tài)復(fù)雜的目標(biāo)人物圖像，它并不總是能生成滿意的試衣效果。

針對(duì)上述問題，本文提出了款式變換和局部渲染相結(jié)合的虛擬試衣方法，保留參考服裝細(xì)節(jié)信息的同時(shí)，需保持目標(biāo)人物圖像的手臂區(qū)域、手部臉部區(qū)域、頭發(fā)區(qū)域以及非試衣區(qū)域等信息不變，然后將服裝渲染到人物圖像的目標(biāo)區(qū)域來完成試衣(如圖1所示)。其過程主要包括以下幾個(gè)步驟：

首先，對(duì)人物圖像進(jìn)行像素級(jí)語義分割，尋找出具體的服裝區(qū)域，為局部渲染的實(shí)施創(chuàng)造條件；其次，試衣時(shí)，如果僅對(duì)服裝區(qū)域進(jìn)行渲染，當(dāng)目標(biāo)服裝圖像和參考服裝款式不同時(shí)，局部渲染策略則無法實(shí)現(xiàn)，因此需要應(yīng)用款式變換模塊將其轉(zhuǎn)換為與參考服裝相同的款式，從而實(shí)現(xiàn)不同服裝款式間的換裝。此外，提出的款式變換模塊是可學(xué)習(xí)的，便于學(xué)習(xí)多種服裝款式之間的轉(zhuǎn)換；第三，為了讓服裝更好地符合試穿者身材，提出了可學(xué)習(xí)的TPS服裝形變模塊，將參考服裝根據(jù)目標(biāo)服裝圖像的身材姿態(tài)進(jìn)行相對(duì)應(yīng)的形變；最后，將形變過的服裝無縫地渲染到目標(biāo)圖像上，采取局部渲染策略(僅對(duì)服裝區(qū)域進(jìn)行渲染)，保留了人物原始的細(xì)節(jié)特征。

圖1 款式變換和局部渲染相結(jié)合的虛擬試衣效果Fig.1 A virtual try-on effect that combines style transformation and local rendering

1 虛擬試衣網(wǎng)絡(luò)

本文在上述基礎(chǔ)上，為了更好地保留服裝細(xì)節(jié)特征和人物細(xì)節(jié)特征，提出了款式變換和局部渲染相結(jié)合的虛擬試衣網(wǎng)絡(luò)(如圖2所示)，主要包含4個(gè)部分：服裝語義分析模塊、服裝款式變換模塊、服裝形變模塊和服裝渲染模塊。

圖2 本文虛擬試衣網(wǎng)絡(luò)框架Fig.2 Virtual try-on network in this paper

此外，由于款式轉(zhuǎn)換需要兩幅服裝圖像在相同域下進(jìn)行轉(zhuǎn)換，因此無法直接實(shí)現(xiàn)目標(biāo)圖像I1和參考服裝圖像R之間的轉(zhuǎn)換，這也是引入?yún)⒖紙D像I2的原因，此外參考圖像I2可以是與參考服裝圖像R款式相同的任意圖像。

1.1 服裝語義分析模塊

對(duì)服裝I1、I2進(jìn)行語義分割，提取出具體的服裝區(qū)域，是款式變換的前期工作。主要包括3個(gè)步驟：1) 利用馬爾科夫隨機(jī)場(chǎng)作為基礎(chǔ)網(wǎng)絡(luò)模型，尋找出相鄰像素點(diǎn)，確定具體的服裝區(qū)域；2) 為了能讓計(jì)算機(jī)自動(dòng)辨別服裝區(qū)域的標(biāo)簽Ii，選定標(biāo)簽過的服裝區(qū)域作為正樣本，其他外部區(qū)域作為負(fù)樣本，訓(xùn)練分類器C；3) 采取滑動(dòng)窗遍歷整幅圖像，通過分類器尋找出指定標(biāo)簽的服裝區(qū)域，進(jìn)而提取該區(qū)域掩膜M.

1.2 服裝款式變換模塊

款式變換模塊包含生成器Gst和判別器Dst.生成器輸出生成的圖像，由6層卷積網(wǎng)絡(luò)和3層殘差塊組成。判別器Dst對(duì)生成器Gst產(chǎn)生的圖像I*進(jìn)行真假樣本的判定，由3層卷積層組成。卷積層作為特征提取，殘差塊級(jí)聯(lián)鄰層特征，作為特征優(yōu)化。

Lcyc=‖Gst2(Gst1(I1,M1))-(I1,M1)‖1+
‖Gst1(Gst2(I2,M2))-(I2,M2)‖1.

(1)

Lidt=‖Gst1(I2,M2)-(I2,M2)‖1+
‖Gst2(I1,M1)-(I1,M1))‖1.

(2)

(3)

L1sgan=(Dst(I1,M1)-1)2+Dst(Gst(I2,M2))2.

(4)

款式變換模塊的整體損失Lst：

Lst=L1sgan+λcycLcyc+λidtLidt+λctxLctx.

(5)

1.3 服裝形變模塊

服裝形變模塊由2個(gè)特征提取網(wǎng)絡(luò)、1個(gè)特征連接網(wǎng)絡(luò)、1個(gè)回歸網(wǎng)絡(luò)和1個(gè)TPS轉(zhuǎn)換網(wǎng)絡(luò)組成。

Lwarp(θ)=‖R*-Rgt‖1.

(6)

式中：Rgt為目標(biāo)人物服裝的Ground-truth圖像。

1.4 服裝渲染模塊

服裝渲染模塊由6層卷積網(wǎng)絡(luò)和3層Unet網(wǎng)絡(luò)組成。卷積層作特征提取，Unet層采用3個(gè)跳連接，將低層和高層特征進(jìn)行拼接，更好地保留原始特征。

Lrender=λL1‖It0-Igt‖1+λvggLVGG(It0,Igt) .

(7)

式中：Igt為ground-truth圖像，LVGG為VGG感知損失函數(shù)。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

實(shí)驗(yàn)部分使用HAN et al[15]提出的數(shù)據(jù)集，約16 000對(duì)圖像，每對(duì)圖像包括參考服裝圖像、目標(biāo)人物圖像、語義分割圖、人物姿態(tài)圖以及mask圖像，服裝人物圖像主要是純色背景的女性上裝圖像，隨機(jī)選取14 221對(duì)，2 032對(duì)作為訓(xùn)練集和測(cè)試集。選取該數(shù)據(jù)集中兩種不同款式的服裝圖片若干張，作為款式變換模塊的訓(xùn)練，例如在訓(xùn)練長短袖轉(zhuǎn)換時(shí)，選取120張長袖圖片和120張短袖圖片進(jìn)行訓(xùn)練。此外，為了更好地驗(yàn)證款式變換的效果，還使用了LIANG et al[21]提供的CCP數(shù)據(jù)集，該數(shù)據(jù)集包含約2 000張背景復(fù)雜的人物服裝圖片。

2.2 實(shí)現(xiàn)細(xì)節(jié)

語義分析、款式變換、服裝形變和服裝渲染4個(gè)模塊均在pytorch平臺(tái)下完成，輸入和輸出圖片分辨率均為256×192.其中，款式變換模塊初始學(xué)習(xí)率為0.000 2，選取Adam優(yōu)化器，批量大小為1，單GPU訓(xùn)練約60 h；服裝形變和服裝渲染模塊初始學(xué)習(xí)率為0.000 1，選取Adam優(yōu)化器，批量大小為4，單GPU訓(xùn)練耗時(shí)約25 h.本文基于分辨率256×192的圖像來計(jì)算PSNR、SSIM和MSE值，以此作為定量評(píng)價(jià)指標(biāo)。

3 結(jié)果與討論

WANG et al[16]提出的虛擬試衣網(wǎng)絡(luò)CP-VTON是目前該虛擬試衣領(lǐng)域較新、效果較好的方法，因此，本文后續(xù)實(shí)驗(yàn)都是基于CP-VTON的方法進(jìn)行相關(guān)比較。

3.1 驗(yàn)證模型性能

為了驗(yàn)證模型的有效性，且便于與Ground-Truth進(jìn)行比較，用本文提出的方法與CP-VTON方法測(cè)試了訓(xùn)練集中所有圖片(14 221張)，隨機(jī)選取了部分結(jié)果，如圖3所示。

圖3 兩種方法驗(yàn)證訓(xùn)練集結(jié)果比較Fig.3 Results of the two methods in training dataset

從圖3可以看出，CP-VTON和本文方法都能完成試衣。但CP-VTON會(huì)丟失人物一些細(xì)節(jié)特征，例如人的手臂、手部等細(xì)節(jié)特征，此外，試衣后的人物下裝發(fā)生了不可控的變化。對(duì)于這些問題，本文提出的方法實(shí)現(xiàn)了較好的效果。

3.2 定性比較

在測(cè)試集進(jìn)行了相關(guān)測(cè)試，該部分測(cè)試主要包括不同款式的試衣測(cè)試、人物手臂姿勢(shì)簡單的試衣測(cè)試和人物手臂姿勢(shì)復(fù)雜的測(cè)試。

3.2.1不同服裝款式的試衣測(cè)試

當(dāng)參考服裝圖像和目標(biāo)人物圖像的款式不同時(shí)，應(yīng)用款式變換模塊將目標(biāo)圖像變換為與參考圖像相對(duì)應(yīng)的款式，例如圖4中參考圖像為短袖、目標(biāo)圖像為長袖，應(yīng)用款式變換將目標(biāo)圖像變換為短袖款式，然后再結(jié)合參考圖像進(jìn)行試衣。

圖4 兩種不同款式換裝結(jié)果比較Fig.4 Comparison of two different styles

由圖4可以看出，本文方法更好地保留人物的細(xì)節(jié)特征，但也產(chǎn)生了微弱的失真。由于不同款式間的換裝，本文方法需要經(jīng)過款式變換模塊，該模塊在服裝渲染前需要進(jìn)行款式之間的轉(zhuǎn)換(如圖4中目標(biāo)圖像由長袖款變?yōu)槎绦淇?，經(jīng)款式變換后的圖像會(huì)產(chǎn)生一定程度的失真，該失真同樣影響著最終的試衣結(jié)果。

3.2.2人物姿勢(shì)簡單類的試衣測(cè)試

當(dāng)目標(biāo)人物手臂姿勢(shì)較為簡單時(shí)，本文方法和CP-VTON方法的實(shí)現(xiàn)效果較好。由圖5可知，當(dāng)目標(biāo)圖像手臂姿勢(shì)較簡單時(shí)，兩種方法都達(dá)到了令人滿意的效果，但本文方法在人物細(xì)節(jié)特征保持方面優(yōu)于CP-VTON.

圖5 姿勢(shì)簡單類的測(cè)試結(jié)果Fig.5 Test results of easy poses

3.2.3人物姿勢(shì)復(fù)雜類的試衣測(cè)試

當(dāng)目標(biāo)人物手臂姿勢(shì)較為復(fù)雜時(shí)，先前工作試衣失敗或者效果不佳。如圖6可以看出，CP-VTON進(jìn)行試衣渲染時(shí)，會(huì)出現(xiàn)手臂和手部細(xì)節(jié)丟失、位置錯(cuò)誤以及下裝隨機(jī)改變等情況。

圖6 姿勢(shì)復(fù)雜類的測(cè)試結(jié)果Fig.6 Test results of complicated poses

從圖4-圖6的整體結(jié)果比較可以看出，本文提出的款式變換和局部渲染相結(jié)合的試衣方法效果更加顯著。該方法摒棄了傳統(tǒng)的全局渲染的試衣方法，采用先進(jìn)行服裝語義分割，確定具體的服裝區(qū)域后，僅對(duì)服裝區(qū)域進(jìn)行渲染的策略，不再對(duì)人物圖像整體進(jìn)行渲染，很好地保證了除試穿的服裝區(qū)域外，其他非試衣區(qū)域的特征信息不會(huì)丟失，同時(shí)也保證試穿上裝時(shí)，下裝不會(huì)發(fā)生變化。尤其在保持人物手臂、手部細(xì)節(jié)以及下裝不變等方面效果較好，證實(shí)了算法設(shè)計(jì)的有效性。

3.3 定量比較

上述定性比較是基于視覺層面上的結(jié)果對(duì)比，該部分為了更好地比較兩種方法的效果，采取定量比較的方式，選取了3個(gè)評(píng)價(jià)指標(biāo)對(duì)生成結(jié)果進(jìn)行評(píng)測(cè)，其中PSNR、SSIM、MSE分別表示兩幅圖像間的峰值信噪比、結(jié)構(gòu)相似性以及均方誤差，評(píng)測(cè)結(jié)果如表1和表2所示。

表1 隨機(jī)選取50組實(shí)驗(yàn)結(jié)果Table 1 50 groups of test results selected randomly

表2 全部測(cè)試結(jié)果Table 2 All test results

表1是隨機(jī)選取50組實(shí)驗(yàn)結(jié)果的數(shù)據(jù)，表2是全部測(cè)試結(jié)果(共14 221組)的數(shù)據(jù)。從表中可以看出，本文方法的PSNR值略高于CP-VTON方法，表明了本文方法試衣后的圖像質(zhì)量更好。SSIM值基本一致，表明兩種方法在圖像結(jié)構(gòu)性保留方面都有著較好的效果。此外，本文方法的MSE值小于CP-VTON方法，說明了本文方法的圖像失真較小，更好地保留了原始圖像的結(jié)構(gòu)特征，試衣后圖像更加保真。

4 結(jié)束語

圖像級(jí)的虛擬試衣是一項(xiàng)復(fù)雜的研究任務(wù)，先前方法在試衣時(shí)，人物圖像手臂、手部等細(xì)節(jié)特征容易丟失，此外，在試穿上裝時(shí)，下裝發(fā)生不可控的變化。針對(duì)上述問題，本文提出了款式變換和局部渲染相結(jié)合的虛擬試衣網(wǎng)絡(luò)：先對(duì)人物圖像進(jìn)行像素級(jí)語義分割，尋找出具體的服裝區(qū)域，為服裝的局部渲染提供前提條件。為了實(shí)現(xiàn)不同服裝款式間的試衣，構(gòu)造可學(xué)習(xí)的款式變換模塊；此外，為了讓服裝更好地符合試穿者身材姿態(tài)，使用了可學(xué)習(xí)的TPS服裝形變模塊，從而使試衣后圖像更加保真寫實(shí)。除試衣的服裝區(qū)域外，保留了原始圖像的其他細(xì)節(jié)特征。

在未來的研究中，虛擬試衣有著廣闊的研究前景。但是還有一些問題需要繼續(xù)展開深入研究：1) 在實(shí)現(xiàn)圖像保真的前提下，試衣時(shí)應(yīng)考慮參考服裝圖像的款式，不僅僅是基于目標(biāo)圖像進(jìn)行試衣。目前該方法實(shí)現(xiàn)起來難度較大，不僅是簡單地將形變后的參考服裝圖像試穿到目標(biāo)圖像上，還要結(jié)合參考服裝圖像的款式，進(jìn)行試衣；2) 首次將InstaGAN應(yīng)用于服裝款式轉(zhuǎn)換，由于服裝款式的多樣性，實(shí)現(xiàn)難度較大，效果還有待提升，后續(xù)還需要進(jìn)行相關(guān)改進(jìn)，增強(qiáng)款式轉(zhuǎn)換后圖像的真實(shí)感。