沈曉琪,陳 郁

(上海工程技術大學 紡織服裝學院, 上海 201620)

款式的多樣化和個性化是服裝時尚的重要發(fā)展方向,私人定制在其中起到重要的作用。私人定制時服裝尺寸的確定較為容易,而款式的確定卻較為復雜,因為描述款式的語言難以做到準確充分,因而從成千上萬的圖庫中選擇出客戶中意的款式是一個復雜耗時的工程。

傳統的定制方式主要采用客戶提供樣品或與設計師面談交流的方式,但這種方式存在客戶描述不盡準確以及設計師提供初步樣本范圍有限的問題,因而傳統的定制方式較為耗時,工作效率相對較低。利用信息技術的交互式設計能夠縮短雙方交流時間,并為設計師和顧客提供更多的款式選擇,顯著提高定制過程的效率。目前采用的交互式設計主要有交互遺傳算法、圖像生成算法等。

交互式遺傳算法Interactive Genetic Algorithm(IGA)模擬了生物演化的自然規(guī)律,常應用于解決隱式性能指標優(yōu)化問題的智能計算。陳奕帆等[1]以西服為例,使用遺傳算法得到符合用戶期望的服裝設計圖,提高了西服個性化定制的工作效率。周海媚[2]使用遺傳算法建立了交互設計系統,采用三維服裝軟件展現設計效果,并完成了服裝紙樣的輸出。IGA算法通過編碼的方式描述需要解決的問題,但編碼的長度以及規(guī)范性都會對結果產生影響,如張卓等[3]通過引入交互式遺傳算法建立款式推薦系統,但由于編碼長度的限制,這種算法只適用于樣本較少的方案設計。

生成對抗網絡Generative Adversarial Networks(GAN)是一種重要的圖像生成技術并得到了廣泛的研究。Yoo等[4]在生成的模型中增加轉換器和再鑒別模型,從而增加域鑒別器,實現了提取人體著裝圖中的服裝款式圖。Makkapati等[5]引入了對稱損失函數訓練GAN,生成了對稱性更好襯衫圖像,也減少了其前中位置變形的問題。Lassner等[6]基于GAN方法開發(fā)了人體的服裝著裝模型,這種模型能夠在人體上實現服裝生成的虛擬試衣效果,但對服裝細節(jié)的處理仍不夠完善。為解決這一問題,Han等[7]提出了虛擬試衣的網絡模型,該模型能夠用粗略的服裝廓形圖生成細致的服裝圖片。GAN方法也被用于服裝款式圖的交互式設計,任雨佳等[8]通過訓練深度卷積的生成對抗網絡Deep Convolutional Generative Adversarial Networks(DCGAN)生成穩(wěn)定的服裝款式圖,但對于用戶偏好選擇款式時需要多次迭代,效率偏低。

在已有的GAN的基礎上,對生成器加入標簽,通過訓練可獲得有特征指向性的圖片,這一圖像生成處理技術被稱為條件生成對抗網絡Conditional Generative Adversarial Nets(CGAN)。這種深度學習算法也被用于服裝的款式圖設計,成為了一種服裝款式交互設計的新方法。

本文以單色連衣裙款式圖為例,介紹CGAN算法在服裝款式圖交互設計上的應用,通過卷積神經網絡(CNN)提取用戶樣裙款式特征,再基于款式特征利用CGAN網絡生成相近的款式圖,經用戶篩選后進一步迭代,通過多次迭代獲得用戶高滿意度的款式圖。相較于已有的交互式服裝款式設計方法,這一方法具有用戶指向性好、迭代次數少的優(yōu)勢。

1 系統框架

CGAN是一種生成對抗網絡[9],與傳統的GAN不同,其不僅輸入了隨機噪聲作為生成器的輸入,還輸入了指定條件作為生成器的輸入,同時判別器不僅能判斷生成樣本是否真實,還能判斷其是否符合指定的條件。這種對抗機制使得CGAN可以生成符合特定條件的樣本。

本文構建了以CGAN網絡為核心的服裝款式圖設計交互系統,該系統能分析出用戶提供款式樣圖的關鍵詞,將關鍵詞作為指定條件生成與樣圖相似的款式圖,如圖1所示。

圖1 服裝款式圖交互設計框架Fig.1 Interactive design framework of clothing style diagram

由圖1可見,系統包括關鍵詞庫、CNN關鍵詞提取、CGAN圖像生成、用戶評估反饋4個模塊。關鍵詞庫通過對單色連衣裙分結構和分檔的調查投票確定;CNN關鍵詞提取模塊能自動提取出用戶提供的款式圖中的關鍵詞;CGAN圖像生成模塊根據提供的關鍵詞生成清晰穩(wěn)定的單色連衣裙款式圖并交給用戶交流選擇,用戶滿意的款式圖將被收入訓練庫中進行迭代訓練,如此循環(huán)直至用戶滿意。

2 實驗部分

本文以單色連衣裙作為研究對象,重點關注單色連衣裙的款式圖,忽略色彩、面料、紋理等帶來的影響,下文統稱為“單色裙”。

2.1 關鍵詞設計

首先從購物平臺及近年來的專家訪談中提取出連衣裙設計的主要服裝分結構[10],忽略其中的品牌、色彩、圖案等因素,初步選取廓形、袖長、裙長、領型、合體度5種與款式圖設計相關的主要服裝分結構,通過調查問卷進一步確定款式的分結構和分檔如表1所示。

表1 單色連衣裙分結構及分檔Tab.1 Substructure and classification of monochrome dress

表1中單色裙款式分結構確定為廓形、袖長、裙長和合體度4種,領型因在黑白單色裙的圖片中不明顯而被去除。單色裙款式廓形分為A、H、X型3檔,在問卷中都獲得50%以上的認可度。A、H、X型分別代表與裙形近似的字母,即A型上窄下寬、H型上下相當和X型收腰的特點。

2.2 關鍵詞提取

LeNet-5是一種結構簡單且魯棒性好的CNN網絡架構,在處理小尺寸的灰度圖像時,具有較高的識別準確度和識別效率。本文選擇LeNet-5網絡作為從單色裙圖片自動提取關鍵詞標簽的工具。圖2示出了3條由客戶提供的單色裙樣圖。

圖2 客戶提供的單色裙Fig.2 Customer offered monochrome dress.(a)Slip dress;(b)Bubble sleeved princess skirt;(c)Straight skirt

采用訓練后的LeNet-5網絡提取圖2中3款單色裙的關鍵詞,圖2(a)吊帶裙被歸類到了X廓形的無袖合體短裙中,其中合體、無袖和短裙與其在購物網站上緊身、吊帶和短裙的標簽相符,廓形標簽并未在該購物網站上出現,但該裙在腰部有收緊,可以劃為X廓形;圖2(b)泡泡袖公主裙被歸類到了A廓形的短袖寬松短裙中,符合該裙的屬性;圖2(c)直筒裙被歸類到了H廓形的短袖寬松長裙中,其中寬松、短袖、長裙與其在購物網站上的標簽一致,寬松也符合該裙屬性。

2.3 模型訓練

本文實驗的模型訓練主要過程為加載數據集、構建Generator網絡和Discriminator網絡,然后構建CGAN網絡、設置損失函數并調整優(yōu)化,同時調試其他參數、對比不同參數下生成的圖片效果,最后選擇效果最優(yōu)的一組參數,達到優(yōu)化程序的目的。利用此模型可按不同輸入條件生成不同的單色裙款式圖。

本文實驗的操作系統為Windows10,64位,以Tensorflow1.14為框架,編程語言使用python3.5。用于網絡訓練的數據集來自于文獻[8]中構建的單色裙圖庫,所有圖片大小為96像素×96像素圖像,格式為JPG。如圖3所示。

圖3 單色裙款式樣本庫Fig.3 Monochrome dress flat sample library

從圖庫中選取6 000張圖片,部分用于訓練,部分用于測試,全部的卷積運算都在顯卡 NVIDIA GeForce RTX 2060 SUPER下進行。參數配置方面,生成器和判別器均使用LeakyReLU激活函數。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(BN)進行優(yōu)化。損失函數方面,利用Adam優(yōu)化器優(yōu)化生成器和判別器所使用的交叉熵損失函數。經過對比生成器以及判別器的多輪訓練結果,最終設置學習率為0.000 2,設置生成器與判別器訓練次數比為2∶1,即每訓練1次判別網絡就訓練2次生成網絡,訓練周期設置為100 epochs。上述參數能夠使CGAN模型生成較為完整的單色裙款式圖,以X型為例,根據不同條件組合生成的款式圖效果如圖4樹狀結構圖所示。

圖4 根據不同條件組合生成的款式圖Fig.4 Style map generated according to different conditions

使用CGAN生成的圖片基本符合設定的生成條件,但部分長度方面的條件控制仍然不夠精確,生成的部分裙子短袖與長袖的區(qū)分度不明顯,例如生成的“短袖-長裙-合體”的前2張圖片的袖長較長,其次仍有部分圖片生成細節(jié)不夠完善,部分圖片有小空洞和扭曲。

3 結果與分析

邀請3名年齡在22～26歲的女大學生對本文設計的交互系統進行測試,3名實驗對象分別提供自己喜歡的單色裙照片,記為實驗對象A、B、C。系統使用CNN模塊自動提取分類標簽后使用CGAN網絡生成對應的單色裙款式圖集,在剔除少部分畸變、扭曲以及殘缺的款式圖后,取200張款式圖,以9張1組的方式供測試者選擇,實驗對象的選擇結果(圈出的款式圖)分別如圖5所示。

圖5 實驗對象A、B、C每輪篩選的結果(部分)Fig.5 The results of each round of screening for subjects A, B and C (partial). (a) Subject of experiment A; (b) Subject of experiment B; (c) Subject of experiment C

由圖5(a)可見,初始迭代中有較多的裙子被選中,且被選中的裙子都符合X廓形、無袖、合體短裙的特點,說明交互系統根據條件生成的單色裙符合測試者的需求。將實驗對象A選中的圖片打上分類標簽放入CGAN訓練集中,并對CGAN進行迭代訓練,訓練完成的CGAN網絡命名為CGAN-A,其余2名實驗對象迭代訓練完成的網絡依次命名為CGAN-B和CGAN-C。表2示出了3名實驗對象在不同輪次選中裙子的數量和比例。

表2 實驗對象每輪正向選擇的款式圖數量及百分比Tab.2 Number and percentage of style maps selected by subjects in each round

由表2可知,隨迭代次數增加,實驗對象A正向選擇的款式圖數量由18.5%提高到了27.5%;實驗對象B正向選擇的款式圖數量由19.5%提高到了31.5%;實驗對象C正向選擇的款式圖數量由21.5%提高到了33.0%。將本文每輪迭代的平均選中率與基于文獻[8]的DCGAN方法進行對比,結果如圖6所示。

圖6 基于CGAN與基于DCGAN服裝交互設計平均選中率的比較Fig.6 Comparison of average selection rate of CGAN based and DCGAN based clothing interactive design

由圖6可知,CGAN初始迭代就具有較高的選中率,且隨著迭代次數的增加,選中率逐步提高,總體選中率比DCGAN方法高約10%。這是因為本文使用CNN方法提取了測試者提供樣圖的款式關鍵詞,根據關鍵詞有針對性地生成了單色裙,因此選中率較DCGAN有較大提升。DCGAN方法需要測試者提供較大量的喜好圖片用于訓練,而CGAN方法只需測試者提供少量乃至1～2張樣圖即可生成單色裙款式圖。除了用戶提供單色裙樣圖外,本文方法能直接以不同屬性的標簽生成單色裙款式圖,增加了用戶使用的靈活性。

4 結束語

為了提升服裝個性化設計中用戶的參與度,本文以條件生成對抗網絡為核心構建了服裝款式交互式設計系統,采用問卷調查法確定了服裝款式的各分結構和分檔關鍵詞,通過卷積神經網絡提取用戶提供樣圖中的款式關鍵詞,由條件對抗網絡(CGAN)根據關鍵詞生成款式圖,實現了基于用戶偏好的服裝款式圖交互設計,并通過單色裙加以驗證。結果表明該系統能夠快速準確地生成與樣圖相似的款式圖,并可以通過迭代訓練來提高用戶對服裝款式圖的滿意度。未來將繼續(xù)完善款式圖的局部細節(jié)生成,如領型、袖口等,并可拓展應用于生成其他類型的服裝款式,提升用戶參與度與滿意度的同時優(yōu)化個性化服裝定制服務,實現消費者追求個性、展示自我的需求,助力服裝行業(yè)的繁榮發(fā)展。