[发明专利]基于深度学习的服装自动设计方法、系统及计算机设备

说明书

本公开涉及一种基于深度学习的服装自动设计方法、系统及计算机设备，旨在解决现有技术中的当前的生成模型无法针对特定的需求生成特定的服装图像数据的问题。基于深度学习的服装自动设计方法，包括：接收采集到的服装图像数据；对接收到的服装图像数据进行属性标注，得到标注完成的服装图像数据，并形成服装自动设计数据集；以原始图像、替换属性图像和图像属性替换信息作为服装自动设计生成模型输入，并输出生成服装图像；原始图像和替换属性图像均取自服装自动设计数据集。系统包括数据接收单元、标注单元和服装生成单元。服装自动设计生成模型可以根据需求，预先定义的图像属性替换信息，可以针对特定的需求生成特定的服装图像数据。

技术领域

本公开属于服装自动生成技术领域，具体涉及一种基于深度学习的服装自动设计方法、系统及计算机设备。

背景技术

图像生成技术是通过输入的信息进行特定图像生成的图像技术，是计算机视觉邻域比较难的技术之一。虽然该技术难度较高，但是在很多方面都有广泛的应用：在内容创建方面，广告公司通过图像生成技术生成不同风格的广告图像，该广告图像与广告内容匹配，并能够产生新的广告创意。在内容感知方面，摄影师可以通过图像技术改变人物的发型，面部表情等，寻找到人物的最佳表情和妆容表情等。在数据增强方面，在实际的计算机视觉的识别任务中，经常会遇到样本不平衡的情况，在样本不平衡的情况下，通过图像生成技术生成新的图像数据，补全类别偏少的类别样本，改善样本不平衡带来的影响。

在更早期的图像生成技术，有使用FCN（全卷积神经网络）与UNet（一种结构为U形的神经网络结构）的全卷积结构进行图像生成，但是该结构只能适用于图像的转换，从一张图像转换为另一种风格的图像，如图像分割，图像风格转换等，同时必须使用监督学习的方法，该方法对数据的标注需求巨大，同时模型能处理的任务也相对比较固定，无法满足灵感设计需求。

此外技术人员通常也使用VAE（全称为Variational Autoencoder，中文名称为变分自编码器）与GAN（全称为Generative Adversarial Networks ，中文名称为生成式对抗网络，是一种深度学习模型）的结构来进行图像生成，辅助CNN（全称为ConvolutionalNeural Networks，中文名称为卷积神经网络）的特征提取结构，使用对抗生成的学习方法进行模型训练并进行图像生成，比较流程的结构就是多层上采样加上CNN特征提取结构。由于使用对抗训练的方法，对于数据的精细标注不再是强需求，同时因为训练时并不使用强监督的方法进行训练，机器进行数据生成时有了多样性，可以生成全新的数据。在GAN图像生成领域，虽然通用的图像生成技术已经有了很大的进步和发展，但是直接应用于服装领域，尤其是服装数据对细节比较敏感的情况下，其生成效果还存在以下方面的不足：

1、当前的服装生成模型可控性比较差，生成的效果难以保证，会生成一些效果比较差的不可用数据。2、当前的生成模型只能进行单一的功能的服装图像生成，无法针对特定的需求生成特定的服装图像数据。3、当前的服装生成模型，在采样时，对服装图像数据的采样要求：要替换的属性部位信息不同，其他位置信息需要相同，来训练或设计服装，这样导致服装数据采样难度较大。

发明内容

本公开涉及一种基于深度学习的服装自动设计方法、系统及计算机设备，旨在解决现有技术中的当前的生成模型只能进行单一的功能的服装图像生成，无法针对特定的需求生成特定的服装图像数据的问题。

为了解决上述技术问题，本公开所采用的技术方案为：

一种基于深度学习的服装自动设计方法，包括以下步骤：

接收采集到的服装图像数据；

对接收到的服装图像数据进行属性标注，得到标注完成的服装图像数据，并形成服装自动设计数据集；

以原始图像、替换属性图像和图像属性替换信息作为服装自动设计生成模型输入，并输出生成服装图像；在生成服装图像时，服装自动设计生成模型根据图像属性替换信息将原始图像中的指定属性替换掉替换属性图像中的对应属性，得到生成服装图像；所述原始图像和替换属性图像均取自服装自动设计数据集。