任雨佳，陳 璐，陳 郁

(上海工程技術(shù)大學(xué) 紡織服裝學(xué)院，上海 201620)

款式作為服裝設(shè)計的三要素之一，是影響服裝整體美觀性的重要因素。隨著人們個性化需求的增加，服裝款式定制作為一種新興服務(wù)方式引起人們的關(guān)注。個性化服裝定制可以根據(jù)顧客對服裝款式、面料的需求量身制作合體服裝。傳統(tǒng)手工定制可當(dāng)面溝通全面地了解顧客需求，但耗時較長，無法適應(yīng)當(dāng)前快節(jié)奏的生產(chǎn)活動。隨著計算機(jī)技術(shù)的發(fā)展，交互式服裝設(shè)計系統(tǒng)可以將款式設(shè)計草圖直觀地呈現(xiàn)給顧客，方便設(shè)計師與顧客溝通，因此適合個性化服裝定制的交互式服裝設(shè)計系統(tǒng)成為研究熱點。

交互式服裝設(shè)計系統(tǒng)通常擁有一定規(guī)模的數(shù)據(jù)庫，包含款式、面料、色彩等組件，然而消費者作為非專業(yè)人員很難實現(xiàn)自主搭配。遺傳算法主要是通過模擬生物的自然進(jìn)化規(guī)律得到最優(yōu)解，該算法可以實現(xiàn)女西裝個性化定制交互式設(shè)計[1]，也可用于男襯衫款式設(shè)計系統(tǒng)中用戶評分的交互式計算[2]，遺傳算法與模糊評價相結(jié)合還能夠?qū)崿F(xiàn)基于用戶意向的服裝款式設(shè)計[3]。但是遺傳算法只能通過編碼的方式描述待解決的問題，編碼的規(guī)范性以及編碼的長度都會對結(jié)果產(chǎn)生影響，例如張卓等[4]建立的基于用戶導(dǎo)向的Polo衫個性化生成及推薦系統(tǒng)僅僅適用于樣本少的方案設(shè)計。

然而在實際服裝定制過程中，多數(shù)顧客難以提出明確的需求，他們常常通過提供感興趣的服裝圖片來描述個人喜好?；谏疃葘W(xué)習(xí)算法的圖像生成技術(shù)可以直接根據(jù)用戶提供的圖片生成相似的服裝款式，其中生成式對抗網(wǎng)絡(luò)(Generative Adversarial Networks, GAN)是圖像生成技術(shù)的研究熱點。Isola等[5]利用對抗生成網(wǎng)絡(luò)有效實現(xiàn)了從線稿圖到實物圖的轉(zhuǎn)換；Yoo等[6]通過在生成模型中設(shè)置轉(zhuǎn)換器以及在鑒別模型中增加域鑒別器來從人體著裝圖像中提取相應(yīng)的服裝款式圖，Makkapati等[7]通過引入對稱損失來訓(xùn)練GAN以獲取對稱性更好的服裝圖像；Han等[8]利用粗略的服裝廓形和姿勢圖生成了更細(xì)致的服裝圖片并應(yīng)用于虛擬試穿。其中，深度卷積對抗網(wǎng)絡(luò)(Deep Convolutional Generative Adversarial Networks, DCGAN)是GAN模型發(fā)展中的一個里程碑，它將卷積神經(jīng)網(wǎng)絡(luò)與生成對抗網(wǎng)絡(luò)巧妙結(jié)合，具有成本低、模型穩(wěn)定性高、局部細(xì)節(jié)精確等優(yōu)勢，在圖像生成及處理領(lǐng)域有著更廣闊的應(yīng)用前景。

目前，在服裝領(lǐng)域中，生成對抗網(wǎng)絡(luò)側(cè)重于研究高質(zhì)量圖像的生成，而對于用戶的服裝款式偏好方面考慮較少。本文以小黑裙款式圖為例，以DCGAN算法為核心構(gòu)建了基于用戶偏好的服裝款式圖生成系統(tǒng)，將深度學(xué)習(xí)算法應(yīng)用于服裝款式圖的自動生成環(huán)節(jié)，在服裝款式圖的評估與篩選過程中重點參考用戶意見，為個性化服裝設(shè)計、生產(chǎn)以及銷售過程提供了一定的技術(shù)參考。

1 總體框架

GAN是依靠生成器和判別器相互博弈以輸出優(yōu)質(zhì)結(jié)果的深度學(xué)習(xí)模型，在手寫數(shù)字和人臉[9]、高質(zhì)量的藝術(shù)作品[10]以及逼真的服裝紋理[11]的生成方面有較好的應(yīng)用。DCGAN算法則是將有監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與GAN模型融合[12]，有利于細(xì)節(jié)特征的提取[13]。

本文構(gòu)建了以DCGAN算法為核心的服裝款式圖交互式設(shè)計系統(tǒng)，包括數(shù)據(jù)采集、DCGAN圖像生成、迭代訓(xùn)練3個模塊如圖1所示。數(shù)據(jù)采集模塊依靠圖片搜集以及數(shù)據(jù)增強(qiáng)組建小黑裙數(shù)據(jù)庫，用于存放DCGAN模型的訓(xùn)練圖片；DCGAN圖像生成模塊是該系統(tǒng)的核心部分，目的是生成大量參數(shù)較優(yōu)的小黑裙款式圖；迭代訓(xùn)練模塊是基于用戶選擇的交互式模塊，將用戶喜歡的服裝款式圖加入訓(xùn)練數(shù)據(jù)，以便在多輪迭代訓(xùn)練后可以得到符合用戶個性化需求的服裝款式圖。

圖1 服裝款式圖交互設(shè)計框架Fig.1 Interactive design framework for garment fashion drawing

2 實驗過程

2.1 小黑裙樣本庫建立

連衣裙是女性日常穿著的主要服裝之一，其款式種類繁多。本文以小黑裙作為研究對象，重點關(guān)注服裝款式，忽略服裝色彩對感官的影響。

2.1.1 圖片來源

為了能輸出滿足要求的小黑裙款式圖，DCGAN模型需要大量的小黑裙款式圖片。利用服裝服飾類的開源數(shù)據(jù)集、Python的PIL繪圖以及網(wǎng)站批量下載的方式搜集了流行服裝款式，并且結(jié)合用戶所喜愛的服裝圖片，共獲得約15 000 張小黑裙圖片。通過人工篩選刪除不符合要求的圖片，例如非白色背景、圖像分辨率太低、圖片曝光異常、圖片夾雜有l(wèi)ogo等，最終獲得12 000 張小黑裙圖片。

2.1.2 數(shù)據(jù)增強(qiáng)

為了增強(qiáng)模型的泛化能力，往往使用數(shù)據(jù)擴(kuò)增來增加數(shù)據(jù)集的多樣性[14]。本文利用Python的PIL圖像處理庫，使用圖片色彩轉(zhuǎn)換、旋轉(zhuǎn)、鏡像翻轉(zhuǎn)以及高斯模糊4個操作，消除色彩偏差、視角偏差以及噪音干擾，以便獲得比較理想的圖片增強(qiáng)效果。經(jīng)過尺寸歸一化處理后，得到了30 000張尺寸為96 dpi ×96 dpi、格式為JPG的小黑裙款式圖。

2.2 模型訓(xùn)練

DCGAN模型的訓(xùn)練主要分為4個部分，首先加載訓(xùn)練數(shù)據(jù)，然后設(shè)置生成器、判別器的相關(guān)參數(shù)，設(shè)置損失函數(shù)并優(yōu)化，最后經(jīng)過多組實驗找到最優(yōu)訓(xùn)練次數(shù)比。本文DCGAN模型的訓(xùn)練環(huán)境為win10+cuda 9.2+TensorFlow。參數(shù)配置方面，生成器輸出層單獨使用Tanh激活函數(shù)，其余層均使用ReLU激活函數(shù)；判別器輸出層使用Sigmoid激活函數(shù)，其余層均使用Leaky ReLU激活函數(shù)。為了防止過擬合的發(fā)生，生成器以及判別器中均使用批歸一化處理進(jìn)行優(yōu)化。損失函數(shù)方面，利用Adam優(yōu)化器優(yōu)化生成器和判別器所使用的交叉熵?fù)p失函數(shù)。經(jīng)過生成器以及判別器的多輪交替訓(xùn)練，將學(xué)習(xí)率設(shè)置為0.000 2，訓(xùn)練周期設(shè)置為100 epoch，生成器與判別器訓(xùn)練次數(shù)比設(shè)置為2∶1，即每訓(xùn)練一次判別網(wǎng)絡(luò)就訓(xùn)練2次生成網(wǎng)絡(luò)。上述參數(shù)能夠使DCGAN模型生成較為清晰完整、尺寸為96 dpi×96 dpi的小黑裙款式圖，生成圖片的效果如圖2所示。

圖2 DCGAN模型生成的小黑裙款式圖(部分)Fig.2 Little black dress fashion drawing generated by DCGAN model (partial)

2.3 迭代訓(xùn)練

為了滿足用戶的服裝款式需求，訓(xùn)練數(shù)據(jù)需要根據(jù)用戶的偏好進(jìn)行更新，迭代訓(xùn)練過程如圖3所示。通過主觀評估篩選出用戶感興趣的小黑裙款式圖，并且搜集用戶在服裝網(wǎng)站上的個人瀏覽記錄，將上述圖片通過數(shù)據(jù)增強(qiáng)模塊，作為新的訓(xùn)練數(shù)據(jù)替換部分原有數(shù)據(jù)繼續(xù)使用上述DCGAN模型，通過訓(xùn)練數(shù)據(jù)集的更新來構(gòu)建個人專屬的訓(xùn)練模型。其中，每輪生成的小黑裙款式圖均要進(jìn)行主觀篩選，不斷更新訓(xùn)練數(shù)據(jù)集，經(jīng)過數(shù)次迭代后以接近用戶的個性化需求。

圖3 迭代訓(xùn)練過程Fig.3 Iterative training process

3 結(jié)果與分析

本文邀請了3名年齡在22～26歲之間的在校女大學(xué)生，對生成的小黑裙款式圖進(jìn)行主觀評價，并且為實驗對象構(gòu)建各自的訓(xùn)練數(shù)據(jù)集，3個人的訓(xùn)練模型分別命名為DCGAN-A、DCGAN-B以及DCGAN-C如圖4所示。經(jīng)過多輪迭代訓(xùn)練，從款式風(fēng)格、喜歡的款式圖數(shù)量2個方面評估基于DCGAN算法的小黑裙款式圖生成系統(tǒng)的效果。

圖4 3位實驗對象的訓(xùn)練模型Fig.4 Training model of three subjects

3.1 款式風(fēng)格

每輪迭代訓(xùn)練后，在充分考慮小黑裙款式風(fēng)格的基礎(chǔ)上，剔除部分畸變、殘缺、扭曲以及模糊的款式圖，最終獲得200張款式圖。為了方便實驗對象篩選，將200張款式圖分為10組，隨機(jī)選取20張為一組，并在同一個頁面內(nèi)展示。實驗對象A的部分篩選結(jié)果如圖5所示，實驗對象B的部分篩選結(jié)果如圖6所示，實驗對象C的部分篩選結(jié)果如圖7所示。

圖5 實驗對象A每輪的篩選結(jié)果(部分)Fig.5 Selected results of subject A for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

圖6 實驗對象B每輪的篩選結(jié)果(部分)Fig.6 Selected results of subject B for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

圖7 實驗對象C每輪的篩選結(jié)果(部分)Fig.7 Selected results of subject C for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

由圖5可知，實驗對象A喜愛的服裝風(fēng)格以吊帶連衣裙為主，后3輪篩選結(jié)果顯示實驗對象A還可以接受抹胸的連衣裙款式。由圖6可知，實驗對象B偏好有袖、有領(lǐng)的中長款連衣裙。由圖7可知，實驗對象C所喜歡的服裝款式較為廣泛，風(fēng)格不太明顯。由實驗對象A的迭代結(jié)果可知，第1輪的生成結(jié)果中有2張吊帶連衣裙，第2輪有3張吊帶連衣裙，第3輪出現(xiàn)了4張吊帶連衣裙，第4輪則出現(xiàn)了5張吊帶連衣裙，說明在迭代過程中相似風(fēng)格的連衣裙款式數(shù)量逐漸增多，為實驗對象提供了更多個性化的選擇。與實驗對象A的情況類似，實驗對象B喜愛的款式圖數(shù)量在后續(xù)迭代訓(xùn)練結(jié)果中也有所提高。綜上所述，隨著訓(xùn)練數(shù)據(jù)的更新，實驗對象喜愛的款式圖數(shù)量呈增長的趨勢，說明DCGAN模型可以實現(xiàn)服裝款式風(fēng)格的繼承。

3.2 用戶滿意度

根據(jù)主觀篩選結(jié)果，記錄每位實驗對象每輪正向選擇(即用戶喜歡的圖片)的款式圖數(shù)目如表1所示。

表1 實驗對象每輪選擇的款式圖數(shù)量及百分比Tab.1 The number and percentage of fashion drawing selected by the subjects in each round

由表1可知，實驗對象A感興趣的小黑裙款式圖數(shù)量從9.5%提高到了20%，實驗對象B感興趣的小黑裙款式圖數(shù)量從11.5%提高到了19.5%，實驗對象C感興趣的小黑裙款式圖數(shù)量從11%提高到了21%。由于受到視覺疲勞的影響，實驗對象B在第4輪篩選過程中喜歡的連衣裙款式圖較第3輪減少了1張，該誤差可以忽略不計。綜上所述，本文的小黑裙款式圖生成系統(tǒng)能夠在一定程度上提升用戶對服裝款式的滿意度。

4 結(jié)束語

本文對服裝款式圖的自動生成進(jìn)行了較為深入的研究，利用Tensorflow深度學(xué)習(xí)框架，實現(xiàn)了基于用戶偏好的服裝款式圖交互設(shè)計，結(jié)果表明該系統(tǒng)能夠生成風(fēng)格統(tǒng)一的服裝款式圖，并且可以提高用戶對服裝款式圖的滿意度，相信隨著用戶參與度以及實驗次數(shù)的增加，該模型的效果將會得到大幅度提升。未來可以繼續(xù)完善款式圖的局部細(xì)節(jié)生成，例如領(lǐng)型、袖口等，并且嘗試生成其他類型的服裝款式，有助于優(yōu)化個性化服裝定制服務(wù)，讓消費者參與到服裝設(shè)計過程中，滿足消費者展示自我、追求個性的需求，實現(xiàn)服裝行業(yè)的繁榮發(fā)展。