2019年4月，由中國服裝協會和上海時尚之都促進中心共同主辦的以“未來時尚”為設計主題的2019中國國際服裝設計創新大賽在上海落下帷幕，歐洲設計學院獲得冠軍，16支參賽隊伍中唯一的“非人類設計師”——深蘭科技服飾輔助設計系統，異軍突起，獲得了亞軍，并同時斬獲了“最受大眾歡迎獎”。

“深蘭科技服飾輔助設計系統”由深蘭科學院自主研發，起初系統以服裝生成和風格遷移這兩個功能為主，隨著系統的不斷提升完善，如今又新增加了智能量體和虛擬試衣技術。下面，就為大家一一介紹這四項技術。

01服裝生成技術

服裝生成的核心是訓練一個針對于服裝樣本的生成式對抗網絡，目標是讓網絡的生成器通過學習已有的走秀圖，來生成大量新的服裝。

這里我們簡單的介紹一下生成式對抗網絡（GAN， Generative Adversarial Networks），一種深度學習模型，是近年來復雜分布上無監督學習最具前景的方法之一。模型通過框架中（至少）兩個模塊：生成器和判別器的互相博弈學習產生相當好的輸出。

生成式對抗網絡邏輯圖

服裝生成技術中，生成器生成的圖像作為假圖像，收集到的服裝走秀圖作為真圖像，都進入判別器來判斷圖像的真假。生成器為了騙過判別器，則需要不斷地優化網絡參數，最后達到生成的圖像越來越精細乃至以假亂真的效果。

高質量的生成需要大量高清的樣本，我們通過2年時間收集了30萬張高清圖作為樣本。下面來展示一下服裝生成技術的結果。

02風格遷移技術

服裝的風格遷移就是將指定的風格元素遷移到服裝上，用到的技術就是風格遷移（Style Transfer）。它是使用深度卷積網絡CNN提取一張圖片的內容和另一張圖片的風格， 然后將兩者結合起來得到最后的融合結果。

在服裝風格遷移技術中，我們將需要遷移的服裝部分摳取出來，我們摳取了整套服裝，可以看到整套服裝的遷移效果。風格遷移可以指定遷移的風格、遷移的程度和遷移的位置。

03智能量體技術

通過圖像的人體3D重建算法有很多，比如PIFUHD算法就可以通過單張圖像推理出人體的3D模型。

我們通過PIFUHD算法得到3D模型，通過標定身高的方法，讓3D模型與真人進行匹配，則得到了真人的所有身體維度數據。

通過這種方法得到的人體3D模型會存在側面和背面誤差較大的問題，所以我們在PIFUHD的基礎上做了優化。我們采用正面圖、側面圖和背面圖作為算法模型的輸入，通過3張圖來獲取人體的3D模型，利用多視點融合技術，通過測試對象的多角度圖像來估計出當前對象的3D模型，最后再通過對象的身高來標定3D模型，將身體的大圍度誤差控制在了1cm以內。

04虛擬試衣技術

PF-AFN算法是目前效果最好的虛擬試衣算法。

我們在PF-AFN算法的基礎上訓練了自己的虛擬試衣模型，我們利用深蘭工裝做的虛擬試衣結果，展示的是將深蘭的無袖毛衫虛擬試穿到模特身上的試衣效果。

中國的AI企業已經具備了通過大數據系統處理紛繁復雜信息的能力，能幫助設計師解決重復性的工作，為缺乏設計能力的品牌方服務，重塑整個服飾設計生態，也顯示了中國人工智能技術在服裝創意設計、材料使用、色彩搭配、市場趨勢、大數據技術應用等方面取得的前瞻性進步。

編輯：jq