关键词:
服装风格
风格属性
风格量化
自动生成
扩散模型
摘要:
随着消费者对个性化需求的不断增长,服装产品的个性化设计变得尤为重要。为了应对这一趋势,服装个性化设计平台应运而生。其主要利用生成式人工智能技术(Generative Artificial Intelligence,GAI),通过用户交互式参与,为用户提供个性化设计的服务,快速生成设计结果,减少设计师手绘和修改时间,提高设计质量和效率。
风格作为服装设计的核心要素,在建立设计元素与用户情感之间联系方面扮演着重要角色,因而成为平台必须精准把握的关键。然而,由于风格属性结合了服装外观与用户情感,其表现出模糊性和多样性的特点,加之消费者需求日益多样化和变化加快,导致设计风格所涉及的信息量和数据量不断增加,使得捕捉并准确把握风格属性变得更加复杂。这种复杂性给生成式人工智能技术带来了更大的挑战,影响了服装个性化设计平台在风格匹配和设计精度上的表现。
在此背景下,对服装风格进行精准量化显得尤为关键。风格量化可以弥补生成式人工智能技术的不足,实现对风格的精准把握。因此,本研究提出依托风格属性的量化构建一个面向服装行业的个性化风格自动生成系统(Personalized Style Automatic Generation System,PSAGS),旨在通过输入服装文本和灵感图片,输出具有风格信息的图像,实现服装风格的精准量化与可视化,增强用户对平台的粘性和忠诚度。
PSAGS系统以图像生成单元为核心,包含三个模块:量化模块、图像特征提取模块和生成模块。具体研究内容如下:
(1)量化模块构建:为了有效管理海量、复杂的风格数据,针对用户输入的风格文本,本研究通过深度挖掘风格属性知识,构建服装风格量化模型。该模型通过量化服装设计要素和用户情感之间的关系,实现风格特征的系统化表征,有效提升了风格表达的标准化和精准度。
(2)图像特征提取模块构建:为了提高生成图像的用户满意度,针对用户输入的灵感图片,利用先进的BLIP模型,将图片中的设计要素转化为文本描述。结合量化模块的输出,通过建立规则筛选出最符合用户需求的设计要素,为服装风格生成提供精准指导。
(3)生成模块构建与优化:针对生成式人工智能在捕捉风格属性方面的局限性,利用扩散模型DDPM和多模态语言模型CLIP相结合,实现服装风格的精准生成。通过扩张卷积增强DDPM架构UNet的感受野,减少生成图片的信息丢失;针对CLIP模型提出事件细粒度解析方法,提高生成图片与文本的符合度,以此提高生成图片的质量。
(4)系统界面设计与开发:基于用户和系统需求,开发一个直观易用的服装风格自动生成交互界面,为用户提供了便捷、友好的操作体验。
对比实验和消融实验结果表明,本系统在简化设计流程和降低资源消耗方面取得了显著成效。与当前流行的文本到图像生成方法相比,本系统生成的图片在真实性和文本一致性方面表现更优,更能准确展现服装风格,整体质量更高,因而获得了较高的用户满意度。消融实验进一步验证了各模块及系统优化对于提升图像质量的积极作用。因此,本系统在服装个性化设计领域具有广阔的应用前景。