基于AIGC技術的民族服飾設計研究

摘要：民族服飾的當代創新需要在創作過程中尋求民族傳統與現代審美的最佳平衡點，生成式人工智能（AIGC）技術的出現為民族服飾的當代設計應用提供了新的路徑和方法。文章通過分析目前人工智能技術在民族服飾生成過程中遇到的問題，提出基于專屬資源庫模型訓練的方法并以畬族服飾為例進行實驗。實驗表明，通過對畬族資源庫中的服飾樣本進行品類歸納和圖像標注進行專屬模型的訓練，可以使被訓練的模型理解、學習到資源庫樣本中畬族服飾的特征，進而使生成的內容具有畬族服飾風格的圖像。通過這一實驗，展示了人工智能技術給民族服飾創新設計帶來的全新思路和方法，旨在建立一條民族服飾設計與AIGC技術相結合的創新實踐路徑，通過AIGC技術能促進民族服飾設計的創新性發展和創造性轉化。

關鍵詞：AIGC；民族服飾；輔助設計；畬族；Stable Diffusion；Low-Rank Adaptation；Checkpoints

中圖分類號：TS941.26

文獻標志碼：A

文章編號：10017003（2025）01002010

DOI：10.3969 j.issn.1001-7003.2025.01.003

基金項目：浙江省哲學社會科學年度課題項目（22NDJC077YB），浙江省大學生科技創新活動計劃（新苗人才計劃）項目（2024R406B073）

作者簡介：吳海鳴（1999），男，碩士研究生，研究方向為民族服飾與數字化。通信作者：陳敬玉，教授，chenjy@zstu.edu.cn。

民族服飾是民族文化的重要組成部分，也是民族文化傳承與發展研究的主要構成部分。民族服飾中蘊含著豐富的歷史、風俗、信仰、技術和審美情趣。在人工智能飛速發展的時代背景下，新技術逐漸應用于生產生活的方方面面，民族服飾設計創新領域對人工智能技術的需求也隨之不斷上升。新技術的革命為傳統的設計方法和文化保護工作打開了全新的賽道，亟待結合人工智能技術對傳統理念和方法進行更新迭代，對設計方式進行創新才能更好地為民族服飾研究提供支持。

生成式人工智能（AIGC）是一種基于人工智能技術的衍生技術。AIGC技術依賴于生成對抗網絡和大型預訓練模型，通過對已有數據的學習和識別，以適當的泛化能力生成相關內容［1］。2014年，Goodfellow等［2］提出了生成對抗網絡（GANs），GANs由生成器和判別器兩個神經網絡組成，通過相互對抗生成逼真的數據樣本，在圖像生成、圖像修復和藝術品生成等方面廣泛應用。如NVIDIA利用GANs技術開發的StyleGAN可以生成高度逼真的人臉圖像，GANs的引入標志著生成模型領域的革命性進展。2020年，Ho等［3］提出了去噪擴散概率模型（Denoising Diffusion Probabilistic Models， DDPM），為擴散模型的研究奠定了基礎，基于該框架擴散模型逐漸發展出多種變體，其中Stable Diffusion是其在圖像生成方面的代表性成果。2024年，丁子龍等［4］將低秩適配器（Low-Rank Adaptation，LoRA）模型應用于Stable Diffusion中進行清代配飾生成，通過LoRA模型的圖像微調優化，使得大模型能夠更高效地適應特定任務的生成工作，然后將提示詞、參數進行優化得到符合預期的圖像。檢查點（Checkpoint，CKPT）模型又稱大模型，通過大量圖像文本數據對基礎大模型進行全量微調訓練而產生的，在Stable Diffusion中CKPT模型可以根據文本、圖像輸入獨立生成圖像。2022年起，基于文本圖像識別技術、自然語言處理、生成對抗網絡技術和擴散模型等研究成果的大量應用問世，使得文學、藝術和設計等行業在AIGC技術的影響下迎來了技術革新的浪潮。

基于以上研究成果，在民族服飾的設計創新中可以引入人工智能技術進行輔助設計，通過對目前AIGC模型輸出問題進行分析，提出模型訓練的解決方案，進而在此基礎上根據設計所需的提示詞生成設計雛形，并據此進行完善最終形成完整設計。本文以畬族為例，通過對畬族族服飾元素信息的萃取與人工修正進行模型訓練，使得AIGC模型學習畬族服飾的相關特征，通過文本圖像輸入生成畬族風格服飾，為民族服飾的創新研究提供創新思路。

1 民族服飾中對AIGC應用的需求與問題分析

1.1 民族服飾研究中對數智技術的應用需求

近年來，隨著生成式人工智能的迅猛發展，民族服飾研究迎來了新賽道和新方向。人工智能技術為服飾文化保護提供了全新的手段，在輔助設計中展現出巨大的潛力為民族服飾文化遺產的保護和傳承提供更多元的思路，推動其更好地融入現代社會，實現文化與科技的深度融合。

民族服飾的創新設計是當前設計領域的重要方向之一。設計師需要深入解讀傳統服飾的紋樣、色彩、款式和配飾，并結合現代設計理念，創造出既保留民族特色又符合現代審美的服飾設計。在AIGC技術的輔助下設計師可以通過人工智能技術對大量民族服飾數據進行分析和學習，然后利用Midjourney、Stable Diffusion和DALL-E等AIGC平臺將設計靈感進行具象化呈現，幫助設計師創造出既具有傳統元素又符合現代審美的服飾。相較于傳統設計工作流，AIGC技術的介入不僅能協助設計師拓展創新思路，還能快速迭代生成設計方案，提高設計效率，減少實際制作中的試錯成本，通過在設計過程中提供即時反饋和多樣化的創意功能，使設計師能夠探索更多可能性，并進行實時調整和優化，如圖1所示。AIGC技術應用于民族服飾設計不僅可以提升設計素材的收集整理時間、極大地提高出圖速度和效率，還可以便捷地對電子素材進行調整和更換，高精度模擬服裝成品效果，從而推動民族服飾在全球時尚舞臺上的創新性發展。

1.2 現有AIGC技術生成問題分析

從現有AIGC模型生成角度來看，AIGC技術能夠使設計師更好地表達自己的想法，并借助AIGC技術輔助設計出更具創新性的產品。然而，現有的AIGC數據庫并未涵蓋國內外所有民族風格，無法生成具有特定民族風格的服飾和紋樣。以畬族為例在目前主流的AIGC應用中輸入10個描述畬族風格特征的關鍵詞“畬族、霞浦式、畬族服飾、鳳凰裝、領口織帶、腰上系著圍兜、盤發、頭上戴著鳳凰冠、圍兜、棉麻面料”和Prompt“She ethnic group， Xiapu style， costumes of She ethnic group， phoenix costume， collar ribbon， bib on the waist， hair in a bun， phoenix crown on the head， bib， cotton and linen fabrics”，生成的圖片呈現出各個民族風格混淆現象，服裝風格更偏向于西式，如表1所示。經過多平臺的測試結果得出，AIGC技術在民族服飾設計方面存在一定的缺陷，由于其訓練資源庫中的圖片基本來自國外平臺，因此對東方民族風格的理解也大多偏向于日韓風格，并未對中國56個民族服飾進行分類整理，對于各民族專有的服飾名稱及服飾特征的理解并不準確。

2 基于AIGC的民族服飾設計創新

本文以畬族為例，通過搭建專屬畬族模型資源庫，使用專屬資源庫對AIGC模型進行微調訓練以解決AIGC模型在生成圖片時出現的民族風格混淆，以及設計師在設計時的效率和質量問題。研究流程如圖2所示。

訓練過程包括以下幾個關鍵步驟：首先，通過對民族服飾、配飾和紋樣的專著、論文資料和古籍等相關文獻整理收集，獲取詳盡的歷史背景和文化內涵，旨在確保設計師和模型都能準確理解民族元素的文化意義和象征意義，文獻整理包括對傳統服飾的起源、演變、工藝技術、使用場合及文化象征的全面研究，為后續的數據收集和模型訓練提供理論基礎；其次，通過對民族主要分布地區實地調研，包括走訪民族聚居地，采訪當地居民、專家和傳承人，拍攝服飾的高清圖片和視頻，記錄服飾的細節、材質、顏色搭配及佩戴方式，了解當地民族服飾的實際使用情況進行調查并收集圖片數據資料，更準確地理解其文化背景和設計特點；再次，根據服飾類型、配飾種類、紋樣圖案等多維度對資源庫進行分類與完善，以確保資源庫的完整性和準確性；然后，使用Stable Diffusion基礎大模型進行LoRA模型和CKPT模型的民族專屬模型訓練，在訓練過程中，通過高質量的民族服飾圖像數據作為輸入，使模型逐漸學習和捕捉民族服飾的獨特風格和設計元素，并生成具有民族風格的圖像；最后，通過訓練的專屬AIGC模型進行生成民族服飾的創意設計方案，然后進一步地優化和調整。結合了人工智能和人類創意的設計流程，大大提高了設計效率和質量，使設計師能夠更專注于創意和創新，而非重復性勞動。通過訓練的AIGC模型生成的圖片不僅能夠準確反映民族服飾的文化特征，還能融入現代審美元素，創造出既有民族特色又符合現代潮流的服飾設計。

Stable Diffusion是基于擴散過程圖像生成技術的一種深度學習模型，能夠根據文本描述生成詳細的圖像［5］。Stable Diffusion由擴散模型（Diffusion Model）和變分自編碼器（VAE）組成，擴散模型是一類基于概率的方法，用于生成高質量的圖像，變分自編碼器由編碼器和解碼器組成，編碼器負責將大數據訓練集中的圖像壓縮成低維的隱向量，而解碼器則負責將這些隱向量還原成圖像［6］。

CKPT模型是通過向基礎大模型注入新主題進行全量微調訓練而輸出的模型，能夠和基礎大模型一樣進行獨立生成圖像，在接收到圖像文字輸入后，CKPT模型通過其神經網絡結構將輸入轉換成參數，參數隨后被送入Stable Diffusion的解碼器以生成圖像［7］。CKPT模型的訓練風格與輸出結果緊密相關，因此使用民族專屬CKPT模型會生成符合民族服飾風格的圖像。LoRA模型通過對大模型進行低秩微調實現民族風格的遷移，LoRA模型需要與CKPT模型或基礎大模型搭配使用，可以在不改變基礎大模型的基礎上，通過少量數據訓練出特定的畫風或特有的服飾風格。LoRA模型的應用原理是通過在Stable Diffusion預訓練模型的權重矩陣W∈Rd×d（d是網絡維度）左右兩側分別乘以一個低秩矩陣U∈Rd×a和V∈Ra×d（a是網絡Alpha）低秩的維度，一般a小于或等于d，從而得到一個新的權重矩陣W1=UWV∈Rd×d，用來替代原來的權重矩陣進行輸出圖像。因此，LoRA只需要訓練U和V兩個低秩矩陣，從而在風格上影響CKPT模型或基礎大模型的整個網絡層，它可以顯著減少訓練的參數量和計算量［1］。這使得LoRA成為實現定制化需求的高效工具。

3 畬族服飾AIGC模型實驗

計算機實驗環境CPU：13th Gen Intel（R）Core（TM）i5-13600KF、GPU：NVIDIA GeForce RTX 3090 24G，編程語言Python，版本Python 3.10.11，使用軟件Stable Diffusion Web UI，基礎大模型Stable Diffusion v1.5、chilloutmix。

3.1 前期準備

在進行實驗前，通過對福建寧德霞浦、福安、羅源，以及浙江麗水云和、景寧，浙江溫州文成等浙閩畬族主要居住地區的博物館、文化藝術館進行田野調研。在調研過程中，采訪了5名畬族傳承人，了解了當地畬族的生活方式、傳統文化及服飾特色，并且通過田野調研共收集了300余張一手圖像資料。經過篩選和整理，最終挑選出適用于AIGC訓練的100余張圖像資料，以確保訓練過程中的數據質量和有效性。

3.2 CKPT模型與LoRA模型訓練

CKPT模型和LoRA模型的訓練過程涉及不同的訓練庫量和預訓練模型的選取。CKPT模型選取了130張圖片進行全量微調訓練，LoRA模型選取了45張圖片進行低秩微調訓練。根據畬族服飾的構成將實驗圖片細分為服飾庫、紋樣庫及銀飾庫，使模型能夠更好地理解和學習畬族服飾品類。

3.2.1 圖片提示詞設置

實驗采用機器描述與人工修飾的方法對圖片進行提示詞設置，旨在增強人工智能對畬族服飾的理解與生成能力，如表2所示。首先，通過WD1.4圖像識別標簽器對資源庫中圖像進行初步批量圖像提示詞描述，通過該方式來呈現機器對圖片識別與理解的目的。隨后，在機器批量理解圖像構成的基礎上，根據畬族服飾特征進行人工修飾，加入特定畬族服飾描述詞，使AICG模型能夠生成更符合畬族傳統的圖像，達到更加精確和可控的輸出效果。最后，在每張服飾圖片的提示詞前加入了“She ethnic group”作為核心觸發詞，通過核心觸發詞引導模型生成具有畬族特色的服飾設計，以確保模型能夠準確、高效地生成符合設計需求的創意作品。

3.2.2 模型適配及參數調控

模型的適配是訓練模型的關鍵步驟，實驗中LoRA模型選用Stable Diffusion v1.5作為適配預訓練模型，CKPT模型由于需要獨立進行內容生成任務，因此選用適配的亞洲人chilloutmix模型作為預訓練模型進行訓練。在訓練之前，通過Photoshop對圖片進行摳像、高清化及裁剪等處理，以確保圖像符合訓練要求。摳像步驟主要是為了去除圖片背景，使得模型更專注于主體部分；高清化處理則提升了圖像的細節表現能力，確保在生成過程中不失真；裁剪步驟則是調整圖片尺寸至512×512像素，以滿足模型輸入的要求，確保生成的圖片質量和準確性都達到預期標準，最終滿足實驗目的。

訓練參數的調控對輸出的訓練結果起著至關重要的作用，涉及多個方面的參數調整和設置。訓練的次數和輪數是控制訓練過程的兩個關鍵變量，適當的訓練步數是確保模型能夠充分學習數據分布的關鍵因素，步數過少可能導致模型欠擬合，無法充分學習數據中的特征，步數過多則可能導致過擬合，無法進行創意生成。文本編碼器用于將文本信息嵌入特定的表示空間中，文本編碼器的學習率過高會使文本特征不穩定，過低則可能導致訓練速度過慢。U-Net是Stable Diffusion模型的核心組件之一，U-Net學習率決定了每次參數更新的幅度，使用學習率衰減策略逐步降低學習率，以保持訓練的穩定性和效率。學習率調度是一種動態調整學習率的方法，用在訓練過程中逐步降低學習率，以提高模型的收斂速度和穩定性。優化器是用于調整模型參數以最小化損失函數的算法，優化器能夠顯著影響模型的最終表現，實驗選用Adam優化器，Adam優化器結合了動量和自適應學習率調整的優點，適用于大多數情況。網絡設置包括網絡的層數、每層的節點數等，網絡層數和寬度影響模型的表示能力和計算復雜度，層數和寬度過大會導致過擬合，過小則可能無法捕捉數據的復雜特征。模型保存精度決定了模型權重在保存時的數值精度，常見的選擇有FP32，保存模型參數的完整精度，適用于大部分場景；FP16，減少模型大小和顯存占用，有助于加速訓練和推理。實驗中CKPT模型和LoRA模型的訓練參數如表3所示。

3.3 實驗結果分析

3.3.1 CKPT模型和LoRA模型輸出loss值分析

AIGC模型的訓練過程中會產生損失函數值（loss值），loss值是衡量模型預測結果與實際結果之間差異的一個重要指標。loss值越高表示模型在訓練過程中對圖片學習的損失量越大，可能導致模型欠擬合，即無法準確學習訓練集中的內容；相反，loss值越低表示模型在訓練過程中對圖片學習的損失量越小，但過低的loss值可能會導致模型過擬合，即模型過度適應訓練集的內容，從而在實際應用中表現不佳。適度的loss值能夠表明模型在訓練過程中達到了良好的平衡，既能準確學習訓練數據，又不至于過擬合。當模型訓練的loss值經過波動趨于穩定時，損失值不再顯著下降，則可以認為模型已經收斂到一個較好的狀態，理論上0.1≤loss值≤0.15被認為是一個理想的范圍［11］。

CKPT模型與LoRA模型的訓練都是使用少量樣本對適配預訓練模型進行微調，所以在訓練過程中使用均方誤差（Mean Squared Error，MSE）的算法進行loss值輸出。均方誤差是一種用于回歸問題的損失函數，通過計算預測值與實際值之間差異的平方平均來度量模型的性能。均方誤差的特點是對誤差進行平方運算，較大的誤差會被放大，更有利于對異常值的觀察。MSE越小，表示模型的預測值與實際值越接近，模型的性能越好［12］。具體公式如下：

MSE=1n∑ni=1（yi-y^i）2（1）

式中：yi是實際值，y^i是預測值，n是樣本數量。

根據均方誤差算法，LoRA模型與CKPT模型在訓練過程中損失值隨訓練周期的變化情況如圖3、如圖4所示，橫軸表示訓練周期，縱軸表示模型訓練損失值。LoRA模型每2個訓練周期輸出1個模型，共10個訓練周期。第1至第2個訓練周期時，由于訓練初期較高的學習率導致參數更新幅度較大，模型暫時偏離最優路徑導致損失值上升，屬于正常現象。第8個訓練周期時，由于模型過度擬合訓練數據，導致泛化能力下降，引起了損失值的回升現象。隨后，通過繼續優化和調整，損失值逐漸下降，表明模型逐漸擺脫了局部最小值并改善了泛化性能。CKPT模型每8個訓練周期輸出1個模型，共40個訓練周期。前5個訓練周期時，由于訓練初期參數尚未調整到理想狀態，模型需要一定時間適應數據并找到有效的參數配置，因此導致損失值呈現上升趨勢。第25到35個訓練周期時，由于優化器在訓練過程中根據梯度信息動態自適應調整學習率和參數，導致短期內損失值波動；在第32個訓練周期時，損失值開始穩定下降，表明優化器的調整和模型參數的優化逐漸收斂，模型的表現趨于穩定。

LoRA模型和CKPT模型在訓練過程中盡管存在一定范圍的波動，但是整體的損失值呈現下降趨勢，表明模型逐漸收斂和優化。模型訓練損失值范圍處于0.1～0.15，從數值上可初步判斷實驗輸出的CKPT模型和LoRA模型符合模型輸出的精度要求。

3.3.2 模型篩選

為了確保模型輸出的準確性和可靠性，本文通過控制變量法對實驗輸出的LoRA模型和CKPT模型進行擇優選取。在保持其他變量穩定的情況下，僅改變一個主要變量，從而準確地觀察和衡量該變量對模型輸出的影響。本文使用Stable Diffusion平臺配合控制網（ControlNet）進行測試，ControlNet是對畫面進行精準控制的工具，通過ControlNet工具中的畫面人物姿態控制（Openpose）和圖片深度控制（Depth）功能，對人物的姿態及服飾的深度輪廓進行精確控制。Openpose提供了姿態識別功能，能夠實時準確地捕捉人體的各個關節和肢體動作，Depth專注于分析圖像中的深度信息，以重建服飾的三維深度輪廓。通過該方式不僅提高了模型對人體動作和外觀變化的適應性，也顯著降低了這些變量可能對比較結果帶來的干擾。

LoRA模型搭配人物大模型進行使用，在變量中設置相同的Seed值使模型產生相同的隨機數序列，從而確保實驗的可重復性，步數和正反向畫質詞保持一致，通過輸入核心觸發詞“She ethnic group”，并改變LoRA的權重值進行對比，如圖5（a）所示。其中LoRA模型1、2、3在權重升高值1.0時，圖片中服裝款式的結構出現錯亂，服飾穿著方式及畬族紋樣位置存在混亂的情況，表現為欠擬合的狀況；LoRA模型5在權重為0.8和1.0時，圖片中對服飾裙擺的緣飾進行了過渡處理，出現了流蘇等元素，而權重為1.0時圍兜中紋樣以緣飾表現在中間，模型表現為過擬合的情況。模型4在權重小于1.0時，保持畬族元素位置準確的同時融入了AIGC獨立的思維，權重大于1.0時模型呈現畬族風格無過擬合問題存在。通過對比最終選擇模型4作為畬族LoRA模型投入創新設計使用中。

CKPT模型在變量中通過控制核心觸發詞“She ethnic group”，其余參數設置一致，觀察CKPT模型對畬族服飾的學習程度對服裝直接產出效果，如圖5（b）所示。其中CKPT1、2模型在使用核心觸發詞時裙子下擺出現與畬族無關的色彩，以及服裝紋樣無畬族特征；CKPT 3、4模型在使用核心觸發詞時腳部出現不合理的裝飾物，故為訓練不足的特征；CKPT 5模型在不使用核心觸發詞詞時輸出圖片帶有較弱的畬族款式特征，保持了畬族的圍兜、領部的基本款式，其余細節可以搭配其他關鍵詞進行創造設計，在使用核心觸發詞時輸出圖片帶有較強的畬族特征，沒有出現款式錯亂問題。最終選取CKPT 5模型投入畬族服飾創新設計中。

4 AIGC輔助服飾設計生成

為探索實驗模型在民族元素融入現代服飾創意設計中的能力，本文通過實驗得到的LoRA4和CKPT5模型結合現代基礎服飾款式輔助生成畬族風格的現代服飾。利用ControNet工具精準控制基礎服裝款式，通過模型以圖生圖與局部重繪的方式將畬族元素巧妙融入服裝設計中，如圖6所示。在設計衛衣款式時，保持原有款式不變的前提下，在胸口融入畬族紋樣，并增加畬族交領作為假領設計；大衣款式中，通過在帽檐、袖口、肩部部分加入畬族織帶元素作為裝飾，且在胸前巧妙加入畬族標志性交領設計及紋樣，實現了民族元素與現代服裝的有機結合；羽絨服款式則采用解構設計，以拼貼的工藝融入畬族元素，并在口袋拉鏈處加入織帶元素，增添獨特的民族風情；在襯衫款式中，將翻領改為畬族特色的立領，并在胸前加入織帶元素和假交領，展現了民族元素的獨特魅力；褲子

款式則在腰頭部分加入畬族織帶作為腰頭裝飾，同時在褲門襟部位加入畬族花紋刺繡元素，呈現別具一格的設計風貌；連衣裙款式中，將圓領領口更改為立交領，并在交領部分加入畬族特有的領口花紋，同時對連衣裙的邊緣加入織帶和紋樣作為裝飾，呈現一種融合了傳統與現代的時尚感。通過畬族AIGC模型輔助設計，將畬族元素與現代服飾融合，不僅在設計中呈現了民族文化的豐富內涵與獨特魅力，同時也為服裝設計帶來了前所未有的創新與變革，開拓了時尚設計的新視野和可能性。

5 結 語

以畬族為例，通過對民族服飾提示詞的深入分析和AIGC技術的結合，實現了面向民族服飾的AICG模型專屬訓練，從而得到了定制的LoRA模型和CKPT模型。有效地解決了原AIGC模型在生成民族服飾時存在的民族服飾風格混淆問題，同時也提升了設計師在創新設計中的質量和效率。設計師可以通過輸入提示詞和調整參數實現模型控制，從而生成具有鮮明民族特色的服裝設計款式，同時通過模型對基礎款式進行二次創意設計。本文通過AIGC模型訓練方式實現了畬族服飾生成式輸出及現代服飾風格遷移，此方法同樣適用于其他民族服飾的模型訓練，通過模型實驗進一步推動民族服飾與人工智能科技的結合，為民族文化的傳承與創新開辟新的路徑。

參考文獻：

［1］詹希旎， 李白楊. 數智融合環境下AIGC的場景化應用與發展機遇［J］. 圖書情報知識， 2023， 40（1）： 75-85.

ZHAN X N， LI B Y. Application scenarios and development opportunities of AIGC in the digital intelligence integration environment［J］. Documentation， Information amp; Knowledge， 2023， 40（1）： 75-85.

［2］GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［J］. Advances in Neural Information Processing Systems， 2014， 27： 12-19.

［3］HO J， AJAY J， PIETER A. Denoising diffusion probabilistic models［J］. Advances in Neural Information Processing Systems， 2020， 33： 6840-6851.

［4］丁子龍，李妍，劉琦，等. 基于人工智能生成內容（AIGC）圖像擴散模型的清代佩飾活化傳承方法研究［J］. 寶石和寶石學雜志， 2024， 26 （5）： 100-110.

DING Z L， LI Y， LIU Q， et al. Revitalization and Inheritance Methods of Qing DynastyAdornments Based on Artificial Intelligence GeneratedContent （AIGC） Image Diffusion Model［J］. Journal of Gems amp; Gemmology， 2024， 26（5）： 100-110.

［5］WANG Z Z， ZHAO L， XING W. Style diffusion： Controllable disentangled style transfer via diffusion models［C］" Proceedings of the IEEE CVF International Conference on Computer Vision. Paris： IEEE， 2023.

［6］黃威. 基于深度表示學習的小樣本圖像分類的研究［D］. 合肥： 中國科學技術大學， 2021.

HUANG W. Research of Few-Shot Image Classification Based on Deep Representation Learning［D］. Hefei： University of Science and Technology of China， 2021.

［7］ROMBACH R， BLATTMANN A， LORENZ D， et al. High-resolution image synthesis with latent diffusion models［C］" Proceedings of the IEEE CVF Conference on Computer Vision and Pattern Recognition. New Orleans： IEEE， 2022.

［8］俞敏， 崔榮榮. 鳳凰裝與畬族傳統服飾文化探究［J］. 紡織學報， 2011， 32（10）： 113-117.

YU M， CUI R R. Investigation into culture of phoenix-style dress and She nationality traditional costumes［J］. Journal of Textile Research， 2011， 32（10）： 113-117.

［9］王子璇， 徐強. 湖州畬族服飾紋樣研究［J］. 輕紡工業與技術， 2022， 51（1）： 32-35.

WANG Z X， XU Q. Research on the clothing patterns of the She people in Huzhou［J］. Light and Textile Industry and Technology， 2022， 51（1）： 32-35.

［10］李方園， 陳敬玉. 藝術人類學視角下的畬族服飾圖案解讀［J］. 包裝工程， 2019， 40（2）： 109-113.

LI F Y， CHEN J Y. Interpretation of She nationality’s costume pattern based the perspective of artistic anthropology［J］. Packaging Engineering， 2019， 40（2）： 109-113.

［11］CHEN S， CHEN B， SHU P， et al. Real-time unmanned aerial vehicle flight path prediction using a bi-directional long short-term memory network with error compensation［J］. Journal of Computational Design and Engineering， 2023， 10（1）： 16-35.

［12］于鵬， 張毅. 從特征辨識到圖像生成： 基于AIGC范式的苗族服飾設計［J］. 絲綢， 2024， 61（3）： 1-10.

YU P， ZHANG Y. From feature recognition to image generation： Miao ethnic costume design based on the AIGC paradigm［J］. Journal of Silk， 2024， 61（3）： 1-10.

Research on ethnic costume design based on AIGC technology： Taking the She ethnic group as an example

WU Haiming1， CHEN Jingyu1，2

（

1.School of Fashion Design amp; Engineering， Zhejiang Sci-Tech University， Hangzhou 311103， China; 2.Zhejiang Sci-Tech University Digital

Intelligence Style and Creative Design Research Center， Key Research Center of Philosophy and Social Sciences， Hangzhou 310018， China）

Abstract：The inheritance and innovation of ethnic clothing are critical aspects of preserving and developing cultural heritage. As modern design demands evolve， the integration of traditional ethnic clothing elements into contemporary fashion faces increasing challenges. Designers must navigate the complex task of balancing the preservation of cultural essence with modern aesthetic integration. The rise of

artificial intelligence-generated content （AIGC） technology offers promising solutions for the innovative design and application of ethnic clothing elements. This study focuses on She ethnic group clothing and explores the application of digital generation techniques and innovative design methods through the training of Low-Rank Adaptation （LoRA） and Checkpoints （CKPT） models.

A key aspect of this study is the development of a custom model based on a specialized She ethnic group clothing resource database. The clothing samples within this database were systematically categorized and annotated to facilitate the training of the LoRA and CKPT models. These models were specifically trained to recognize， learn， and generate images that accurately depict the distinctive characteristics of She ethnic group clothing. During the training process， deep learning algorithms were employed to optimize the generated images， ensuring high levels of detail fidelity and consistency in style. To evaluate the effectiveness of these models， comparative analyses were conducted to assess the accuracy and alignment of the generated images with traditional She ethnic group clothing designs.

The study introduced AIGC technology into the digital translation and innovative design of She ethnic group clothing by leveraging a specialized resource database for model training. This approach ensured the precise capture and creative transformation of traditional She ethnic group clothing elements. The in-depth analysis of the database samples enabled the high-precision reproduction of both style and detail in the generated images， offering a feasible technological pathway for the modern design of ethnic clothing.

Experimental results demonstrate that the images generated by the trained models effectively preserve the traditional style of She ethnic group clothing while incorporating modern aesthetic elementd. Compared to conventional manual design methods， this approach significantly enhances design efficiency while outperforming in terms of style consistency and detail fidelity. The study’s findings highlight the broad potential of AIGC technology in the innovative design of ethnic clothing， validating the practicality and forward-thinking nature of AIGC methods based on custom model training in driving ethnic clothing innovation.

The successful application of AIGC technology in the digital restoration and innovative design of She ethnic group clothing contributes new technological insights to the broader field of ethnic clothing innovation. As the field continues to evolve， the fusion of advanced technology and traditional craftsmanship will play an increasingly important role in the ongoing effort to preserve and innovate ethnic clothing design.

Key words：AIGC; ethnic clothing; assisted design; the She ethnic group; Stable Diffusion; Low-Rank Adaptation; Checkpoints