數智協作技術下騎行服飾設計與創新應用研究

摘要：隨著數字智能技術的不斷發展，服飾設計也在逐步邁向數字化、智能化。生成式人工智能（AIGC）時代設計師能夠通過輸入提示詞和調整參數，實現對服飾設計的多維控制，進而生成不同風格和功能需求的服裝款式。文章通過對騎行服飾的運動姿態圖和靜止展示圖進行資源庫劃分、打標和LoRA模型的訓練，以達到騎行服飾的定制化設計的目的。文章通過結合騎行服飾構成分析，LoRA模型訓練實驗和虛擬仿真技術，探討了面向騎行服飾的數智化設計方法。實驗結果表明，數智協作的方法不僅有效提升了設計師的工作效率，還為服飾創新提供了更為廣闊的發展空間。數智協作設計能夠推動服飾創新與人工智能科技的深度融合，展現數智化設計在提升服飾設計創新性與科技含量方面的重要潛力。

關鍵詞：騎行服飾；StableDiffusion；Low-RankAdaptationlora；Midjourney；數智設計；Style3D

中圖分類號：TS94.26文獻標識碼：A

文章編號：1003-0069（2025）12-0115-05

引言

隨著“騎行熱”的興起，騎行服逐漸受到廣泛關注。消費者不僅追求騎行服的功能性，更注重時尚性和個性化設計。傳統騎行服設計流程因耗時較長，服飾設計審美往往伴隨著設計師的主觀意識，難以及時響應市場需求。近年來，生成式人工智能（AIGC）的普及與3D建模技術的快速發展，為騎行服設計提供了創新性解決方案。本文通過探討在數智協作背景下，將生成式AI與數字建模技術深度融合，實現騎行服裝設計與呈現的創新，優化設計效率并提升產品表現力。數智協作設計能夠更好地支持產品從概念到視覺呈現的全流程開發，為騎行服領域的多樣化需求和快速迭代奠定技術基礎，同時推動個性化設計與創新實踐的全面應用，開拓出新型的服裝設計思路與方法。生成式人工智能（AIGC）是一種依托人工智能技術發展的創新應用，主要基于生成對抗網絡（GAN）和大型預訓練模型，通過學習和識別現有數據，具備一定的泛化能力以生成相關內容。2020年，IanGoodfellow等人提出了穩定擴散模型（DiffusionModel），模型通過對噪聲數據進行逐步逆擴散，實現高質量內容生成。其中，StableDiffusion作為該模型在圖像生成領域的重要成果，在圖像生成、文本到圖像合成及音頻生成等方面表現卓越[1]。2021年，EdwardJ.Hu等人提出LoRA（Low-RankAdaptation，低秩適配器）模型，通過調整模型中的低秩矩陣，顯著降低了大模型在特定任務或領域中的訓練門檻，提升了訓練效率[2]。2024年，于鵬等人運用LoRA模型對苗族服飾特征進行圖像訓練，并結合StableDiffusion進行服飾設計，使AI模型能夠生成具有苗族文化特色的服飾圖像[3]。在AIGC技術的推動下文學、藝術和設計領域迎來了前所未有的技術革新，包括文本圖像識別、自然語言處理、生成對抗網絡和擴散模型等。

一、數智協作設計的騎行服設計方案創新

（一）數智技術對設計創新呈現的增效：在服飾設計研究領域，數智技術的廣泛應用為設計創新注入了強大動力，顯著提升了設計的效率與靈活性。隨著生成式人工智能（AIGC）技術的快速發展，諸如Midjourney、StableDiffusion和Dall-E3等AI繪畫平臺，通過深度學習模型，能夠快速生成并優化設計方案，幫助設計師更高效地探索創意，降低創作門檻[4]。AIGC技術具備學習與分析色彩、圖案、款式等設計元素的能力，能夠實現風格遷移與元素融合，在縮短設計周期的同時，確保作品緊貼市場流行趨勢。Style3D虛擬仿真建模技術為設計師提供了三維虛擬樣衣設計環境，簡化了傳統的設計流程，減少了草圖繪制和物理樣衣制作的煩瑣環節，顯著縮短了開發周期并降低了生產成本。設計師可以在虛擬環境中快速進行款式的迭代與細節調整，實現更加精準的設計表達。數字化與AI技術的深度融合加速了服飾設計向智能化與個性化方向發展，為數據驅動生產提供了技術保障，顯著提升了設計的精確度和市場響應速度。大數據分析重塑了設計師與消費者的互動模式，通過洞察消費者偏好與市場趨勢，設計師能夠更加精準地把握市場需求，推動時尚產業進入智能化、高效化和可持續發展的新階段[5]。

（二）騎行服的應用方案：本文利用數字化與人工智能方案結合進行實踐產出，通過市場分析進行關鍵詞提取、搭建騎行服飾專屬的LoRA模型進行設計方案輸出。如圖1所示，首先，對騎行服飾的設計方向、樣式、風格進行設計構思，通過市場調研進行總結騎行服中元素的關鍵詞應用于模型標注與生成，分析市面上騎行狀態下的痛點問題進行總結為設計功能與結構做參考，通過拍攝收集騎行服圖像信息、人物姿態信息等相關數據為模型訓練數據庫搭建做準備，其次，設計方面通過Midjourney平臺進行初步方案生成，對生成的方案進行篩選，根據收集的信息進行參數調控、模型訓練、圖像生成篩選等流程優化最終模型，通過優化后的最終模型對初步方案在StableDiffusion平臺進行LoRA模型微調，完成AI效果圖輸出；再次根據服飾結構與苗了功能性問題，對騎行服內部結構進行設計，通過Style3D建模平臺進行設計轉化，最后在Blender軟件中進行場景搭建和服飾渲染，呈現服飾最終效果[6]。

二、騎行服的構成要素設計

（一）騎行服功能性：騎行服飾的功能性決定了騎手在不同騎行場景下的便利性和舒適性，服飾的功能設計需要考慮動態性、環境適應性和安全性等多維因素，確保在長時間騎行過程中提供良好的穿著體驗。多功能口袋設計，方便存放騎行必需品，如能量補給、手機和工具，同時確保物品穩固且不影響騎行活動的自由度；夜行保護功能設計，在低光環境下提升騎手的可見性以降低安全風險；防曬保護功能，能夠有效阻擋紫外線輻射保護長時間騎行帶來的傷害；在吸濕排汗和透氣性方面，確保運動時空氣有效流通，減少悶熱感[7]。騎行服飾的功能性設計需要將功能性與舒適性的融合，從而在各種環境下為騎手提供安全、便利和高效的騎行體驗。

（二）面料選擇：在騎行服飾設計中，面料的選擇對于保障穿著者在不同環境下的舒適性至關重要。為了滿足騎行運動對服裝高彈性、透氣性、耐磨性和防風防水等多重特性的需求，綜合考慮面料的物理性能和功能特性，選用了萊卡（Lycra）、針織纖維（Coolmax）、戈爾特斯（Gore-Tex）和聚酯纖維作為騎行服的主要面料[8]。Lycra面料具有優異的彈性和恢復性，能夠在騎行過程中貼合身體曲線，提供良好的支撐性和舒適性，減少運動時服裝與皮膚之間的摩擦。Coolmax面料具有吸濕排汗性能，能夠迅速將汗液從皮膚表面導向面料外層，保持穿著者肌膚的干爽，避免長時間濕潤引發的不適感。Gore-Tex面料具有防水透濕，能夠在惡劣天氣條件下有效阻擋外部水分滲透，同時將體表濕氣排出，維持騎行者體表的干爽舒適。聚酯纖維面料具備輕便、耐磨、易洗快干等優點，適合在長時間戶外騎行中使用，減少因面料磨損而引起的不適或損壞。面料在設計中可通過合理的拼接與分區設計進行組合，以不同功能區滿足身體不同部位的需求，如高強度摩擦區使用耐磨性強的聚酯纖維，出汗較多區域則使用Coolmax進行有效排濕。通過面料的科學搭配與設計，騎行服能夠在保證功能性的基礎上，提升穿著者的運動體驗，為專業騎行運動提供更高效、舒適的服飾支持。

（三）騎行服結構：騎行服飾的結構設計需充分考慮騎行者在不同姿態下的運動狀態和受壓分布，以減少因姿態不當引起的身體損傷，尤其在新手入門階段，更需注重服飾結構的約束性與支撐性。騎行服的結構設計直接影響騎行過程中的舒適性，決定了服飾在不同騎行姿態下的包裹性和貼合性，在設計與制作騎行服飾時，需要結合面料的彈性、支撐性和包裹性，確保服飾在動態狀態下能夠提供有效支撐與舒適體驗。通過對不同騎行姿態下受壓分布的測試與分析可知，如表1所示，綠色表示受力較輕，黃色表示受力中等，紅色表示受力較大。在平把位騎行時，壓力主要集中在手肘和背部支撐區域，整體姿態較為放松；在上把位騎行時，手腕、膝蓋和腰部的支撐壓力逐漸增加，身體負荷分布趨于均勻；而在下把位騎行時，由于姿態更為激進，肩部、腰部和膝蓋等部位的受壓顯著增加。基于測試結果，騎行服在結構設計中需重點關注手肘、膝蓋、肩部和腰部的支撐性與保護性，優化剪裁與拼接工藝，增強關鍵部位的包裹性和穩定性，確保在動態狀態下保持良好的貼合性與舒適性。

三、智能化騎行服專屬模型訓練實驗

（一）LoRA模型訓練：本實驗選取了50張具有代表性的騎行服飾圖片進行低樣本LoRA模型訓練，確保數據的多樣性和全面性。為了提高模型對不同騎行狀態下服飾特征的識別能力，訓練數據被劃分為運動姿態和靜止展示狀態兩個獨立的資源庫。在運動姿態資源庫中，圖片展示了騎行服飾在動態騎行中的實際表現，通過對這兩個資源庫的細致打標與訓練，LoRA模型能夠更加精準地學習并生成符合實際騎行需求的服飾設計，提高騎行服飾設計的準確性與創新性。

（二）圖像提示詞設定方式：為提升生成模型在騎行服飾圖像理解與表現方面的能力，本研究采用了自動提取與人工優化相結合的提示詞構建方法。如表2所示，第一階段使用圖像識別技術對圖像數據庫中的素材進行初步分析，批量生成反映系統對圖像內容理解的關鍵詞。此步驟的核心在于識別圖像的基礎元素，并轉化為機器可識別的語義線索。接著，研究者依據騎行動作的典型特征，對初始提示詞進行人工修正與拓展，補充與騎行服飾相關的特定描述詞匯，以增強AIGC模型在該類圖像生成任務中的表現力與可控性。為進一步引導模型生成特定狀態下的騎行圖像，在不同類型的服飾圖中分別嵌入“QiXing，DT”和“QiXing，JT”作為提示引導詞，用于區別不同動作或場景需求，從而使生成圖像更貼合設計預期，實現風格控制與效果調優。

（三）模型適配與參數配置調整：模型適配是深度學習流程中不可或缺的環節。本實驗以StableDiffusionv1.5為基礎模型，開展LoRA微調訓練。訓練前期，通過Photoshop軟件對圖像樣本進行標準化處理，包括背景剔除（摳圖）、畫質增強和圖像尺寸裁切，以保證圖像符合模型訓練輸入要求。摳圖操作用于突出人物主體，提升圖像聚焦性；清晰度優化可增強圖像細節表達，有效防止圖像模糊影響訓練效果；圖像統一裁剪至512×512像素，確保與StableDiffusion模型輸入尺寸匹配，提升訓練效率與輸出質量。訓練過程中涉及多項關鍵參數的精細設定，包括訓練步數與輪數、學習率設置及其調度策略。訓練迭代次數決定了模型對樣本特征的學習深度，過少可能造成欠擬合，過多則可能引起模型對訓練數據的過度記憶，削弱泛化能力。

在文本編碼方面，其作用是將語言信息轉化為向量形式參與圖像生成，學習率的設定直接影響模型的穩定性與收斂速度。U-Net模塊作為StableDiffusion中的核心組件，其參數更新通過學習率衰減機制逐步優化，有助于保持訓練過程的穩定推進。另外，為提升訓練效果與收斂效率，實驗采用了Adam優化器，其結合了動量與自適應學習率機制，適用于多種生成任務場景。網絡結構方面，層數與神經元數量直接決定模型容量與計算復雜度：過深結構易陷入過擬合，過淺則難以捕捉高維特征。在精度選擇方面，實驗分別測試了FP32（單精度）和FP16（半精度）兩種格式：前者適用于要求精度較高的任務，后者則可顯著減少顯存占用并提升運算速度。詳細參數設定見表3。

（四）LoRA模型篩選與對比：為了篩選出最適用于騎行服飾圖像生成的LoRA模型，研究采用了控制變量法以減少干擾變量對實驗結果的影響。在控制除目標變量以外的所有參數不變的前提下，逐一調整關鍵因素，以分析其對模型輸出效果的具體影響。實驗環境基于StableDiffusion平臺，并輔以ControlNet工具實現高精度圖像控制。本研究重點運用了ControlNet中的Openpose模塊對人物姿態及服飾輪廓進行精細化處理。Openpose具備實時識別人體骨架結構與關鍵關節點的能力，能夠精準捕捉動作細節，從而有效控制圖像生成中的姿態一致性。實驗初期導入標準姿態模特圖像作為輸入模板，并通過預處理統一其結構參數。隨后，不同版本的LoRA模型與基礎人物大模型組合使用，并設置相同Seed值以生成一致的隨機序列，保證實驗的可重復性。所有生成設置保持一致，以排除外部干擾因素。在統一輸入核心觸發詞“QiXing，JT”的基礎上，通過調整LoRA模型的權重值，系統地觀察其在不同設置下的圖像表現。如圖2所示：LoRA1在權重變化時圖像差異較小，缺乏風格調節能力，因此不予采納；LoRA2在權重1.2時出現了不符合騎行服設定的褲裝類型，被判定為不適用；LoRA3無法正確生成帶有長褲結構的騎行服圖像，也被排除。相比之下，LoRA4與LoRA5在多組參數條件下均保持了良好的穩定性與生成質量，最終被選定為后續圖像生成工作的候選模型。

四、數智協作騎行服設計及呈現

（一）人工智能服飾應用設計

1.提示詞初步生成款式：首先通過Midjourney進行服飾的生成，初步設計方案是提取騎行相關的prompt指令，通過Midjourney平臺進行初步可視化。如圖3所示，首先在Midjourney中使用騎行相關的提示詞，然后同時在prompt指令的前面添加相對應的騎行服飾作為墊圖，使生成設計方案更加貼近騎行服飾的效果。將“CyclingApparel，SportsGearAseriesofimagesshowingfullbodyclothingfromsportsbrands，tightclothing，futuristicandsportyavant gardedesignsinsilver，black，white，greytones，eachmodelwearingadifferentoutfit，includingleggings，tights，sportstopsorhoodies，multi-functionalpocketdesigns.ModelsshouldbeAsianwomen，withdifferentskintonesandhairstyles，standingagainstplainbackgroundstohighlighttheirsportswear（騎行服、運動裝備一系列圖片展示了運動品牌的全身服裝、緊身衣、銀色、黑色、白色、灰色調的未來主義和運動前衛設計，每個模特穿著不同的服裝，包括緊身褲、緊身褲、運動上衣或連帽衫、多功能口袋設計。模特應該是亞洲女性，膚色和發型各不相同，站在樸素的背景下，以突出她們的運動裝）--ar1：2--q2--iw0.75”提示詞（prompt）指令輸入到Midjourney的“/imagine”指令中運用深度學習算法自動生成多個服裝設計變體，“--ar”指令代表生成的圖像為長寬比為1：2，“--q”指令代表著生成圖像的質量范圍為0～2，數字越高表示生成的畫面質量越高，細節越豐富，“--iw”為圖像參考權重，權重范圍為0～3，權重越高生成的圖像越接近參考圖像。

2.LoRA模型微調：為了使得生成的圖像更加具有可控性，因此需要將Midjourney中生成的圖像導入StableDiffusion中進行微調和細節設計，其目的在于對圖像進行控制以及通過LoRA模型來糾正初始圖像中對騎行服飾表達不準的方面。如圖所示，首先，通過stablediffusion中的wd1.4對初始畫面進行簡單描述“realistic，sneakers，brownhair，shoes，hood，navel，midriff，multiplegirls，lips，pants，shorthair，bodysuit，hoodie”，將描述詞放入正向提示詞框中，此步驟為了保證參照畫面在生成后擁有基礎的畫面表達，然后，輸入反向提示詞“Painting，drawing，（worstquality，Lowquality，NormalQuality：2），Lowresolution，（（monochrome，grayscale）），pixelation，signature，watermark，username，blur，digital，（nsfw：1.5），Missing，badanatomy，badhands，mistakes，missingfingers，extrafingers，fewerfingers，extralimbs，3legs，multiplebreasts，deformities，skinspots，acne，agespots，skinblemishes，badface，deformedfingers，，nsfw”（繪畫、素描、（最差質量、低質量、正常質量：2）低分辨率、（單色、灰度）、像素化、簽名、水印、用戶名、模糊、數字、（nsfw：1.5）、缺失、不良解剖結構、不良手、錯誤、缺失手指、多余手指、少根手指、多余肢體、3條腿、多個乳房、畸形、皮膚斑點、痤瘡、老年斑、皮膚瑕疵、臉部糟糕、手指變形）限制畫面質量和畫面內容。最后，通過controlnet對畫面進行深度（depth）和人物姿態（openpose）控制，以達到圖像畫質更加清晰的效果，然后對畫面參數進行調整最終輸出圖像，如圖4所示。

（二）數字化服飾展示呈現：現有服裝三維建模軟件包括Blender、CLO3D、Style3D、Maya和3DsMax等。本文選用Style3D軟件進行服飾建模，同時使用Blender進行場景搭建和服飾展示功能的應用。

1.style3D服飾建模：首先在Style3D平臺中設置三維人體尺寸參數，在“虛擬模特編輯器”中采用《GB/T1335.2—2008服裝號型女子》標準進行編輯。選取身高165cm、胸圍87cm的標準女性體型作為基礎模型進行操作。利用虛擬模特編輯器內置的人體基本尺寸關系模型，在確定身高和胸圍的基礎上，系統自動生成其他相關人體尺寸數據，包括臀圍、腰圍、頸圍、肩寬等指標。通過這一自動化模型的支持，可以快速精準地獲得完整的三維人體數據，為后續的服裝設計和虛擬試衣提供科學的尺寸基礎，如表4所示。

在進行服飾建模時，要把AIGC輸出的效果圖進行分析，以便展開款式設計。首先在Style3d的2D界面制作板片，隨后進入3D界面對服裝板片的位置進行擺放，并且要為各個板片設置層數，以此來模擬服飾穿著時呈現出的層次感如圖5所示。完成上述操作后，運用抓手工具對袖片和手臂之間的關系加以調整，同時檢查縫紉線是否存在錯誤[10]。最后，進行多角度旋轉進行觀察，借助定位球工具小幅度地調整服裝的角度，使衣身達到平衡狀態。一直持續操作，直至獲得令人滿意的穿著效果，最終得到白模，如圖6所示。

2.面料模擬：在面料選擇與參數優化中，針對騎行服飾特點選用了Lycra、Coolmax、Gore-Tex和聚酯纖維為主面料，首先需在Fabric中找到具有相似特性的預設材質，并以此為基礎調整一系列物理屬性參數，包括克重、拉伸性能、彎曲性能、變形率及變形強度等。克重衡量每平方米面料的重量，直接影響面料的厚薄感，克重大的面料更厚實，適合冬季外套；克重小的面料更輕薄，適合夏季服飾。拉伸性能涵蓋拉伸強度與拉伸伸長率，決定面料在受力拉伸下的表現，如含Lycra纖維的面料彈性優越，適用于健身服等緊身衣物。彎曲性能涉及彎曲剛度與彎曲恢復性，剛度大的面料適合板型要求嚴格的服裝。變形率反映面料在受力后的形變程度，低變形率面料穩定性高適合商務正裝；高變形率面料更適合休閑服飾，靈活隨性。變形強度則衡量面料抵抗變形的能力，高強度面料適合登山服、騎行服等高強度環境，而強度較小的面料更適合家居服，舒適自然[11]。通過對以上參數的精細調節，能夠有效模擬真實的面料特性，確保設計效果滿足特定需求，具體參數設置，如表5所示。

3.設計呈現：最終效果的呈現通過將模擬的面料應用到服裝再進行渲染。在確保面料和服飾的正確應用后，為了保證服裝在不同姿勢下的結構合理性和穿著效果，首先將虛擬模特調整至標準的“I”形站姿，檢查服裝與身體的貼合度，避免不同仿真面料的性質導致的穿模現象。接下來，打開渲染窗口，設置正面、背面、側面3個視角，并選擇透明背景。渲染引擎采用GPU模式，提高渲染效率和圖像質量。同時，合理設置主光源、輔光源和背景光，確保服裝的材質、紋理和細節能夠在光照下得到逼真呈現，突出服飾的立體感與質感。所有渲染參數設置完成后，進行最終渲染，生成并保存多個角度的三維視圖及細節圖，用于展示虛擬服裝效果，如圖7所示。

通過虛擬仿真平臺將效果圖轉化為三維服飾后，根據騎行服飾在運動過程中存在的痛點問題、騎行習慣及功能性需求，對三維服飾的細節進行了優化設計。如圖8所示，款式一通過在面料上添加反光貼條以提升夜間騎行的安全性，在肩部加入保護措施幫助新手保持正確姿勢，背部設計為網格形收納口袋，兼具時尚感與功能性，褲部增加緩沖保護以減輕坐墊帶來的壓迫感；款式二針對新手騎行者，設計了肩部、背部和膝關節處的彈性保護層，以緩解摔倒時的彈性面料調節騎行姿勢，提升舒適性，同時背部加入收納口袋，褲部也進行了緩沖保護設計；款式三為長時間騎行者量身定制，采用一體緊身設計以減少風阻，并在肩部、膝蓋、肘關節和腰部加入彈性面料，幫助騎行者更好地發力，提高騎行的持久性和舒適性。此設計優化方案考慮了騎行過程中可能遇到的安全、舒適性和功能性問題，為不同需求的騎行者提供了科學、舒適的服飾解決方案。

4.場景建模及渲染：實現服飾動態效果的高精度渲染，使用Style3D平臺進行服飾動態姿勢調節，精確捕捉服飾在不同動態環境下的物理特性及與人體模型的交互效果。完成動態模擬后，以FBX格式導出文件，確保骨骼動畫、材質貼圖等關鍵信息得以完整保留。隨后，將FBX文件導入Blender進行場景構建與渲染。在Blender中，搭建相應的場景模型、燈光系統、環境光與相機鏡頭，確保服飾細節在光影變化中的精細呈現，同時使用HDRI貼圖增強場景的真實感與氛圍感。相機參數如焦距、景深與視角經過精細調整，以捕捉服飾動態中最具表現力的瞬間。最終，使用Cycle渲染器進行高保真物理光線追蹤渲染，細致表現反射、折射與陰影效果，并通過適當的后期處理優化圖像色彩與對比度，最終展示效果如圖9所示。

總結

本文通過數智協作方式實現了面向騎行服飾的數智化設計實踐。數智協作的方法不僅能夠顯著提升設計師在創新設計過程中的工作質量與效率，還為設計師提供了更為靈活的創作思路。通過將人工智能AI技術與虛擬仿真技術相結合，為服飾設計領域開辟了全新的設計思路。同樣該設計思路也適用于其他服飾模型訓練和數智化設計實踐中。通過數智輔助設計，不僅推動了服飾創新的進程，也進一步促進了人工智能技術在服飾設計中的深度融合，為未來的服飾創新提供了強大的技術支持和發展空間。

參考文獻

[1]GOODFELLOWI，POUGET-ABADIEJ，MIRZAM，etal.Generativeadversarialnets[J].AdvancesinNeuralInformationProcessingSystems，2014（27）：12-19.

[2]Ho，Jonathan，AjayJain，andPieterAbbeel.Denoisingdiffusionprobabilisticmodels[J].AdvancesinNeuralInformationProcessingSystems，2020（33）：6840-6851.

[3]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.

[4]林儒凡，夏帆.人機協同下民族傳統服飾數字時尚創新設計研究[J].設計，2024，37（18）：105-108.

[5]林儒凡，夏帆.基于數字時尚產業市場特點的設計師創新能力研究[J].設計，2024，37（12）：71-73.

[6]孫麗君，楊金芃.基于LowPoly風格的三維動畫研究[J].現代電影技術，2021（11）：36-39+52.

[7]靳杜娟，白金絨，曹蓓.秋冬季青少年自行車騎行服結構設計研究[J].天津紡織科技，2024（05）：21-24.

[8]李盛丹.業余自行車運動騎行服設計研究[D].沈陽師范大學，2015.

[9]馬詩潔，徐華藝，李聰聰，等.基于大模型微調范式的繪畫風格模擬方法[J].計算機應用，2024，44（S1）：268-272.

[10]季菊萍.基于虛擬仿真技術的瑜伽運動背心設計[J].遼寧絲綢，2023（03）：36-37.

[11]楊路漫，沈海娜，董心如.基于三維虛擬試衣技術的漢服設計與展示[J].設計，2022，35（19）：50-53.