基于生成对抗网络的服装图像生成研究进展.pdfVIP

第3 1 卷　 第2 期 现代纺织技术 Vol . 3 1 ,No . 2 2023 年3 月 Advanced Textile Technology Mar . 2023 DOI: 10 . 19398∕j . att . 202203056 基于生成对抗网络的服装图像生成研究进展 a b 施　 倩 ,罗戎蕾 (浙江理工大学,a. 服装学院;b . 服装数字化技术浙江省工程实验室,杭州　 3 100 18 ) 　 　 摘　 要:生成式人工智能正逐步运用在服装零售、电子商务、趋势预测、虚拟现实以及增强现实等服装产 业技术中,并广泛覆盖相关品类的服务与产品。 深度学习领域, 图像生成模型主要包括深度信念网络 (DBN ) 、变分自编码器(VAE ) 、生成对抗网络(GAN ) 。 文章围绕 GAN 研究前沿对其变体发展进行分类梳理, 将应用于服装领域最为广泛的条件生成对抗网络( CGAN ) 在 Text-to-Image 、Image-to-Image 、Image-to-Video 中 的相关研究成果加以介绍,并分析其优化历程、优缺点以及适用类型;列举 GAN 在服装图像生成中的具体应 用,包括服装横幅广告自动生成、个性化服装推荐与生成、服装与图案设计、虚拟试衣;最后针对服装图像生 成研究挑战作出总结。 研究认为,未来可在多模态生成模型研发、大规模时尚服装数据集构建、服装生成客 观评估指标的3 个方向展开研究。 关键词:深度学习;生成对抗网络;服装生成;智能广告设计;虚拟试衣 中图分类号:TN94 1. 26　 　 　 文献标志码:A　 　 　 文章编号:1009 -265X (2023 )02 -0036 -11 　 　 图像生成作为计算机视觉研究的热门方向,是 抗网络(GAN ) 为研究对象,以技术可实施性较强、 实施智能设计的重要手段。 早期图像生成主要通过 应用服装领域最为广泛的变体——— 条件生成对抗网 机器提取有效数据特征并进行算法迭代达到目的, 络(CGAN )模型为例,综述其在服装生成中的文字、 结果准确性较大程度上依赖人的专业知识背景,这 图像、视频多个模态之间的相互转换进展,横向列举 种基于有限样本统计学原理的“ 学习” 无法取得较 GAN 赋能传统服装细分领域技术革新的相关案例, 大进展。 随着深度神经网络的发展,其高层次特征 最后总结发展过程中所面临的问题及挑战。 以期为 的表达能力使得传统机器学习的缺陷得以弥补。 深 时尚界 AI 研究的相关专家和学者提供理论参考和 度学习领域中的生成模型一般可以分为两类,一类 研究方向,同时予以服装领域相关产业技术升级一 [ 1 ] 是包含玻尔兹曼机及其变体、深度信念网络 在内 定启示。 的使用能量函数定义联合概率的模型,另一类是包 [2 ] [3 ] 1　 深度学习图像生成模型 含变分自动编码器 、生成对抗网络 在内的基于 [4 ] 成本函数的模型 。 该研究兴起阶段,生成图像建 立在模型统计以及物理原理上,生成结果仅限于纹