基于DCGAN算法的服装款式交互设计

任雨佳，陈 璐，陈 郁

(上海工程技术大学 纺织服装学院，上海 201620)

款式作为服装设计的三要素之一，是影响服装整体美观性的重要因素。随着人们个性化需求的增加，服装款式定制作为一种新兴服务方式引起人们的关注。个性化服装定制可以根据顾客对服装款式、面料的需求量身制作合体服装。传统手工定制可当面沟通全面地了解顾客需求，但耗时较长，无法适应当前快节奏的生产活动。随着计算机技术的发展，交互式服装设计系统可以将款式设计草图直观地呈现给顾客，方便设计师与顾客沟通，因此适合个性化服装定制的交互式服装设计系统成为研究热点。

交互式服装设计系统通常拥有一定规模的数据库，包含款式、面料、色彩等组件，然而消费者作为非专业人员很难实现自主搭配。遗传算法主要是通过模拟生物的自然进化规律得到最优解，该算法可以实现女西装个性化定制交互式设计[1]，也可用于男衬衫款式设计系统中用户评分的交互式计算[2]，遗传算法与模糊评价相结合还能够实现基于用户意向的服装款式设计[3]。但是遗传算法只能通过编码的方式描述待解决的问题，编码的规范性以及编码的长度都会对结果产生影响，例如张卓等[4]建立的基于用户导向的Polo衫个性化生成及推荐系统仅仅适用于样本少的方案设计。

然而在实际服装定制过程中，多数顾客难以提出明确的需求，他们常常通过提供感兴趣的服装图片来描述个人喜好。基于深度学习算法的图像生成技术可以直接根据用户提供的图片生成相似的服装款式，其中生成式对抗网络(Generative Adversarial Networks, GAN)是图像生成技术的研究热点。Isola等[5]利用对抗生成网络有效实现了从线稿图到实物图的转换；Yoo等[6]通过在生成模型中设置转换器以及在鉴别模型中增加域鉴别器来从人体着装图像中提取相应的服装款式图，Makkapati等[7]通过引入对称损失来训练GAN以获取对称性更好的服装图像；Han等[8]利用粗略的服装廓形和姿势图生成了更细致的服装图片并应用于虚拟试穿。其中，深度卷积对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)是GAN模型发展中的一个里程碑，它将卷积神经网络与生成对抗网络巧妙结合，具有成本低、模型稳定性高、局部细节精确等优势，在图像生成及处理领域有着更广阔的应用前景。

目前，在服装领域中，生成对抗网络侧重于研究高质量图像的生成，而对于用户的服装款式偏好方面考虑较少。本文以小黑裙款式图为例，以DCGAN算法为核心构建了基于用户偏好的服装款式图生成系统，将深度学习算法应用于服装款式图的自动生成环节，在服装款式图的评估与筛选过程中重点参考用户意见，为个性化服装设计、生产以及销售过程提供了一定的技术参考。

1 总体框架

GAN是依靠生成器和判别器相互博弈以输出优质结果的深度学习模型，在手写数字和人脸[9]、高质量的艺术作品[10]以及逼真的服装纹理[11]的生成方面有较好的应用。DCGAN算法则是将有监督学习的卷积神经网络结构与GAN模型融合[12]，有利于细节特征的提取[13]。

本文构建了以DCGAN算法为核心的服装款式图交互式设计系统，包括数据采集、DCGAN图像生成、迭代训练3个模块如图1所示。数据采集模块依靠图片搜集以及数据增强组建小黑裙数据库，用于存放DCGAN模型的训练图片；DCGAN图像生成模块是该系统的核心部分，目的是生成大量参数较优的小黑裙款式图；迭代训练模块是基于用户选择的交互式模块，将用户喜欢的服装款式图加入训练数据，以便在多轮迭代训练后可以得到符合用户个性化需求的服装款式图。

图1 服装款式图交互设计框架Fig.1 Interactive design framework for garment fashion drawing

2 实验过程

2.1 小黑裙样本库建立

连衣裙是女性日常穿着的主要服装之一，其款式种类繁多。本文以小黑裙作为研究对象，重点关注服装款式，忽略服装色彩对感官的影响。

2.1.1 图片来源

为了能输出满足要求的小黑裙款式图，DCGAN模型需要大量的小黑裙款式图片。利用服装服饰类的开源数据集、Python的PIL绘图以及网站批量下载的方式搜集了流行服装款式，并且结合用户所喜爱的服装图片，共获得约15 000 张小黑裙图片。通过人工筛选删除不符合要求的图片，例如非白色背景、图像分辨率太低、图片曝光异常、图片夹杂有logo等，最终获得12 000 张小黑裙图片。

2.1.2 数据增强

为了增强模型的泛化能力，往往使用数据扩增来增加数据集的多样性[14]。本文利用Python的PIL图像处理库，使用图片色彩转换、旋转、镜像翻转以及高斯模糊4个操作，消除色彩偏差、视角偏差以及噪音干扰，以便获得比较理想的图片增强效果。经过尺寸归一化处理后，得到了30 000张尺寸为96 dpi ×96 dpi、格式为JPG的小黑裙款式图。

2.2 模型训练

DCGAN模型的训练主要分为4个部分，首先加载训练数据，然后设置生成器、判别器的相关参数，设置损失函数并优化，最后经过多组实验找到最优训练次数比。本文DCGAN模型的训练环境为win10+cuda 9.2+TensorFlow。参数配置方面，生成器输出层单独使用Tanh激活函数，其余层均使用ReLU激活函数；判别器输出层使用Sigmoid激活函数，其余层均使用Leaky ReLU激活函数。为了防止过拟合的发生，生成器以及判别器中均使用批归一化处理进行优化。损失函数方面，利用Adam优化器优化生成器和判别器所使用的交叉熵损失函数。经过生成器以及判别器的多轮交替训练，将学习率设置为0.000 2，训练周期设置为100 epoch，生成器与判别器训练次数比设置为2∶1，即每训练一次判别网络就训练2次生成网络。上述参数能够使DCGAN模型生成较为清晰完整、尺寸为96 dpi×96 dpi的小黑裙款式图，生成图片的效果如图2所示。

图2 DCGAN模型生成的小黑裙款式图(部分)Fig.2 Little black dress fashion drawing generated by DCGAN model (partial)

2.3 迭代训练

为了满足用户的服装款式需求，训练数据需要根据用户的偏好进行更新，迭代训练过程如图3所示。通过主观评估筛选出用户感兴趣的小黑裙款式图，并且搜集用户在服装网站上的个人浏览记录，将上述图片通过数据增强模块，作为新的训练数据替换部分原有数据继续使用上述DCGAN模型，通过训练数据集的更新来构建个人专属的训练模型。其中，每轮生成的小黑裙款式图均要进行主观筛选，不断更新训练数据集，经过数次迭代后以接近用户的个性化需求。

图3 迭代训练过程Fig.3 Iterative training process

3 结果与分析

本文邀请了3名年龄在22～26岁之间的在校女大学生，对生成的小黑裙款式图进行主观评价，并且为实验对象构建各自的训练数据集，3个人的训练模型分别命名为DCGAN-A、DCGAN-B以及DCGAN-C如图4所示。经过多轮迭代训练，从款式风格、喜欢的款式图数量2个方面评估基于DCGAN算法的小黑裙款式图生成系统的效果。

图4 3位实验对象的训练模型Fig.4 Training model of three subjects

3.1 款式风格

每轮迭代训练后，在充分考虑小黑裙款式风格的基础上，剔除部分畸变、残缺、扭曲以及模糊的款式图，最终获得200张款式图。为了方便实验对象筛选，将200张款式图分为10组，随机选取20张为一组，并在同一个页面内展示。实验对象A的部分筛选结果如图5所示，实验对象B的部分筛选结果如图6所示，实验对象C的部分筛选结果如图7所示。

图5 实验对象A每轮的筛选结果(部分)Fig.5 Selected results of subject A for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

图6 实验对象B每轮的筛选结果(部分)Fig.6 Selected results of subject B for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

图7 实验对象C每轮的筛选结果(部分)Fig.7 Selected results of subject C for each round (partial). (a) Primary iteration； (b) First iteration； (c) Second iteration； (d) Third iteration

由图5可知，实验对象A喜爱的服装风格以吊带连衣裙为主，后3轮筛选结果显示实验对象A还可以接受抹胸的连衣裙款式。由图6可知，实验对象B偏好有袖、有领的中长款连衣裙。由图7可知，实验对象C所喜欢的服装款式较为广泛，风格不太明显。由实验对象A的迭代结果可知，第1轮的生成结果中有2张吊带连衣裙，第2轮有3张吊带连衣裙，第3轮出现了4张吊带连衣裙，第4轮则出现了5张吊带连衣裙，说明在迭代过程中相似风格的连衣裙款式数量逐渐增多，为实验对象提供了更多个性化的选择。与实验对象A的情况类似，实验对象B喜爱的款式图数量在后续迭代训练结果中也有所提高。综上所述，随着训练数据的更新，实验对象喜爱的款式图数量呈增长的趋势，说明DCGAN模型可以实现服装款式风格的继承。

3.2 用户满意度

根据主观筛选结果，记录每位实验对象每轮正向选择(即用户喜欢的图片)的款式图数目如表1所示。

表1 实验对象每轮选择的款式图数量及百分比Tab.1 The number and percentage of fashion drawing selected by the subjects in each round

由表1可知，实验对象A感兴趣的小黑裙款式图数量从9.5%提高到了20%，实验对象B感兴趣的小黑裙款式图数量从11.5%提高到了19.5%，实验对象C感兴趣的小黑裙款式图数量从11%提高到了21%。由于受到视觉疲劳的影响，实验对象B在第4轮筛选过程中喜欢的连衣裙款式图较第3轮减少了1张，该误差可以忽略不计。综上所述，本文的小黑裙款式图生成系统能够在一定程度上提升用户对服装款式的满意度。

4 结束语

本文对服装款式图的自动生成进行了较为深入的研究，利用Tensorflow深度学习框架，实现了基于用户偏好的服装款式图交互设计，结果表明该系统能够生成风格统一的服装款式图，并且可以提高用户对服装款式图的满意度，相信随着用户参与度以及实验次数的增加，该模型的效果将会得到大幅度提升。未来可以继续完善款式图的局部细节生成，例如领型、袖口等，并且尝试生成其他类型的服装款式，有助于优化个性化服装定制服务，让消费者参与到服装设计过程中，满足消费者展示自我、追求个性的需求，实现服装行业的繁荣发展。