基于GAN的草圖生成服裝圖像方法研究

摘要：隨著時尚行業的不斷發展和數字技術的進步，利用計算機將草圖轉換為目標圖像的需求日益增長。在草圖生成服裝圖像中，如何生成復雜紋理和逼真的效果一直是一個重要的挑戰。文章構建了用于草圖生成服裝圖像的數據集，并基于生成對抗網絡模型實現了從草圖到服裝圖像的轉換。實驗結果表明，該方法能夠有效地從草圖生成服裝圖像，生成的圖像具有清晰的紋理和較高的逼真度。

關鍵詞：草圖生成服裝圖像；生成對抗網絡；圖像生成

中圖分類號：TP3" "文獻標識碼：A

文章編號：1009-3044（2025）07-0047-03

開放科學（資源服務） 標識碼（OSID）

0 引言

在人工智能的推動下，時尚產業正經歷著數字化轉型，服裝圖像生成在推動行業數字化進程中發揮著重要作用。傳統的時尚設計和生產模式正面臨挑戰，消費者對個性化、多樣化時尚產品的需求日益增長[1] 。在數據和硬件資源的支持下，基于深度學習的人工智能技術飛速發展，并在服裝產業中得到廣泛應用，例如設計和創意輔助、個性化推薦、趨勢預測、虛擬試衣、服裝生成、品質檢測和智能客服等，有效提升了時尚產業的效率、個性化服務和創新能力[2] 。服裝生成近年來引起了廣泛關注，因為它有潛力徹底改變時尚產業，傳統的服裝設計和生產方法耗時、昂貴，且受限于人類的創造力[3] 。通過利用深度學習的技術，可以自動化和增強服裝設計過程，實現新穎、個性化的服裝。本文旨在研究基于生成對抗網絡（Generative Adversarial Network，GAN）的草圖生成服裝圖像的方法，可以為時裝設計師提供靈感，以提高服裝設計過程的效率和創造力。

1 相關工作

圖像生成作為計算機視覺領域的重要分支，近年來隨著深度學習的研究和發展，涌現出大量的基于深度學習的圖像生成方法。目前，圖像生成領域主要存在三大模型：深度置信網絡 （Deep Belief Network， DBN）、變分自編碼器（Variational Autoencoder， VAE）和生成對抗網絡（Generative Adversarial Network， GAN）[4] 。生成對抗網絡（GAN）是由Goodfellow等人于2014 年提出的一種用于解決圖像生成問題的模型[5] 。GAN模型由生成器和判別器組成，可以通過對抗訓練的方式學習生成逼真的服裝圖像。近年來，許多國內外研究者通過改進GAN的結構和訓練策略，使其在服裝生成任務中取得了顯著成果。部分研究通過引入條件GAN （Conditional GAN， CGAN），將用戶的偏好信息融入生成過程中，實現了個性化的服裝設計。例如，Isola等人于2017年提出了一種基于CGAN架構的有監督圖像風格轉換模型pix2pix，該模型能夠實現圖像到圖像的轉換，并通過添加條件信息來指導圖像生成[6] 。同年，Zhu 等人提出了一種基于無監督學習的圖像風格轉換模型 CycleGAN[7] 。CycleGAN 由兩個生成器和兩個判別器組成，能夠生成更加逼真的圖像。2020年Karras等人提出StyleGAN，該技術將圖像生成推向了新的高度，能夠生成高質量、逼真的圖像[8] 。除了GAN模型外，變分自編碼器（VAE）也是一種常用的圖像生成模型。VAE可以學習服裝圖像的潛在表示，并通過對潛在空間進行插值和操作來生成新的服裝圖像。研究人員通過設計合適的潛在空間和優化策略，不斷提高VAE在服裝生成方面的效果。

除上述基本模型外，研究人員還探索了許多其他技術和方法來改進服裝生成的質量和多樣性。例如，部分研究致力于生成高分辨率、細粒度的服裝細節，并通過引入更復雜的網絡結構和損失函數來實現。還有一些研究關注于將服裝生成與虛擬試穿和時尚推薦系統相結合，以提供個性化的時尚體驗。

總而言之，國內外研究者在服裝生成領域做出了令人矚目的努力，并取得了豐碩的成果。他們不斷探索新的深度學習模型和方法，致力于解決服裝設計和生產中的挑戰。這些研究對推動時尚產業的創新和發展具有重要意義。然而，該領域仍面臨一些挑戰，例如生成高分辨率、細粒度的服裝細節，以及在圖像處理過程中保持服裝結構的完整性等。

2 服裝草圖數據集的設計與構建

針對現有服裝數據集中服裝草圖的缺乏以及設計師手繪圖的版權問題，本文采用一種基于邊緣檢測算法的方法構建服裝草圖數據集。本文首先利用爬蟲技術從電商平臺爬取服裝圖片，然后對獲取的圖片進行預處理，最后利用邊緣檢測算法生成草圖數據集。

本文利用Scrapy爬蟲框架，從某電商平臺爬取以“連衣裙”為主題的圖片，共爬取3 089張圖片，經過數據清洗，去除重復圖片和非正面圖，最終獲得1 542張圖片，如圖1所示。

為了生成草圖數據集，本文采用Canny邊緣檢測算法提取圖像邊緣，然后對提取后的圖像進行灰度反轉，最終生成服裝草圖，結果如圖2所示。

Canny算法是一種經典的邊緣檢測算法，它通過多個步驟來識別圖像中的邊緣，包括高斯濾波、計算梯度、非極大值抑制和雙閾值處理[9] 。在提取出邊緣圖像的基礎上進行圖像的灰度反轉，通過將邊緣圖像的灰度值進行反轉，黑色邊緣將變為白色，白色背景將變為黑色。這樣可以使得服裝草圖中的服裝邊緣呈現黑色，符合草圖的特點，模擬真實的服裝草圖。最后將生成的草圖數據集用于后續的服裝生成模型的訓練和測試。

將爬取到的真實原始圖像與生成的草圖進行配對，剔除生成圖像質量較差的樣本，最終篩選出1 001對圖像。將所有圖像尺寸調整為256×256像素，并按照8∶2的比例劃分訓練集和測試集，其中訓練集包含801對圖像，測試集包含200對圖像，如表1所示。

3 基于GAN的草圖生成服裝圖像

在草圖生成真實圖像的研究領域，已經涌現出許多相關研究工作。其中，經典的圖像風格遷移模型pix2pix已成功實現了從草圖到真實圖像的轉換。然而，pix2pix在處理特征簡單的圖像時效果較好，但在服裝生成任務上表現不佳，生成的圖像質量和紋理都不理想。為了驗證這一結論，本文將pix2pix與CycleGAN進行對比實驗。實驗結果表明，CycleGAN模型能夠更好地解決草圖轉換為逼真服裝圖像的問題。

CycleGAN模型由兩個生成器和兩個判別器組成，一個生成器用于將草圖轉換為服裝圖像，另一個生成器用于將服裝圖像轉換回草圖。兩個判別器分別用于區分真實圖像和生成圖像，并提供對抗性訓練的參數，如圖3所示。

本文使用構建的服裝草圖數據集對CycleGAN模型進行訓練。實驗中，圖像大小為256×256像素，批處理大小設置為1，未使用批歸一化。在前100個epoch中，學習率設置為0.000 2，在隨后的100個epoch中，學習率線性下降至0。實驗結果如圖4所示。從實驗結果可以看出，與pix2pix相比，CycleGAN生成的

圖像具有更清晰的紋理和線條，整體效果更佳。這表明，使用本文構建的草圖數據集訓練CycleGAN模型能夠生成更加逼真、紋理清晰的服裝圖像。

4 結束語

本文探討了基于草圖生成真實服裝圖像的任務，并構建了服裝草圖數據集，使用CycleGAN模型進行圖像轉換。實驗結果表明，該方法能夠生成具有清晰紋理和較高逼真度的服裝圖像。與pix2pix等傳統方法相比，CycleGAN在服裝生成方面表現更優。本研究為時尚行業和服裝設計領域提供了一種有效的圖像生成解決方案，具有巨大的應用潛力。未來工作可以進一步改進和優化該方法，以提高生成圖像的質量和多樣性，推動該領域的發展。

參考文獻：

[1] 熊媛園，侯金玥.AI設計帶給現代服裝設計行業的挑戰與機遇[J].紡織報告，2023，42（9）：47-49.

[2] 趙夢如.人工智能在服裝款式設計領域的應用進展[J].紡織導報，2021（12）：74-77.

[3] 吳丹.人工智能技術在服裝制造中的應用[J].紡織報告，2021，40（10）：35-36.

[4] 施倩，羅戎蕾.基于生成對抗網絡的服裝圖像生成研究進展[J].現代紡織技術，2023，31（2）：36-46.

[5] GOODFELLOW I J，POUGET-ABADIE J，MIRZA M，et al.Generative adversarial nets[C]//Proceedings of the 28th International Conference on Neural Information Processing Systems - Volume 2.December 8 - 13，2014，Montreal，Canada.ACM，2014：2672-2680.

[6] ISOLA P，ZHU J Y，ZHOU T H，et al.Image-to-image translation with conditional adversarial networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.July 21-26，2017.Honolulu，HI.IEEE，2017：1125-1134.

[7] ZHU J Y，PARK T，ISOLA P，et al.Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//2017 IEEE International Conference on Computer Vision （ICCV）.October 22-29，2017.Venice.IEEE，2017：2223-2232.

[8] KARRAS T，LAINE S，AITTALA M，et al.Analyzing and improving the image quality of stylegan[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2020：8107-8116.

[9] 竇蕾萍，吳君欽.基于改進Canny算法的圖像邊緣檢測[J].軟件導刊，2023，22（8）：216-220.

【通聯編輯：朱寶貴】