CN110135032A - 一种基于对抗生成网络的辅助服装生成方法和装置 - Google Patents
一种基于对抗生成网络的辅助服装生成方法和装置 Download PDFInfo
- Publication number
- CN110135032A CN110135032A CN201910358628.1A CN201910358628A CN110135032A CN 110135032 A CN110135032 A CN 110135032A CN 201910358628 A CN201910358628 A CN 201910358628A CN 110135032 A CN110135032 A CN 110135032A
- Authority
- CN
- China
- Prior art keywords
- user
- network
- clothes
- sketch
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/12—Cloth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于对抗生成网络的辅助服装生成方法和装置,该方法包括:通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中;接收用户的请求信息,将请求信息进行结构化处理;使用是无监督图像翻译pix2pix将结构化处理后的用户请求信息转化成服装草图;用户选择草图中需要进一步设计的部分区域;构建对抗生成网络生成服装设计方案;用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成符合用户请求的服装设计图片。本发明可以使得用户能便捷处理服装素材。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种基于对抗生成网络的辅助服装生成方法和装置。
背景技术
在过去,传统的设计师需要从分析需求,收集素材,这一些重复的,低效的机械工作中耗费大量的时间和精力,从而无法更好地将自己的才华与创造性思维运用在更有价值的商业设计方面;所以,这里提出人机混合智能的设计思路,将一些素材收集,数据分析的工作交由智能辅助机器人完成,人类设计师负责更有价值的创造性设计工作,两者发挥各自的长度,简化整体的设计流程,更高效地为消费者服务。
发明内容
鉴于现有技术中的上述缺陷或不足,提供一种基于对抗生成网络的辅助服装生成方法、装置、终端设备和存储介质。运用数据驱动与知识引导相结合的人工智能新方法、以自然语言理解与数据挖掘为核心的认知计算理论和方法、综合深度推理与创意人工智能理论与方法分析用户情感与心理的潜在需求,采用知识演化与推理、智能描述与生成等技术,实现跨媒体知识表征、分析、挖掘、推理、演化和利用,构建视觉生成引擎。
第一方面,本申请实施例提供了一种基于对抗生成网络的辅助服装生成方法,其特征在于,该方法包括:
通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中;
接收用户的请求信息,将请求信息进行结构化处理;
使用是长短期记忆网络LSTM将结构化处理后的用户请求信息转化成服装草图;用户选择草图中需要进一步设计的部分区域;
构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建;
在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合;使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,具体训练过程是:对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;
用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成符合用户请求的服装设计图片。
第二方面,本申请实施例提供了一种基于对抗生成网络的辅助服装生成装置,其特征在于,该装置包括:
规范化模块,用于通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中,接收用户的请求信息,将请求信息进行结构化处理;
草图生成模块,用于使用是无监督图像翻译pix2pipx将结构化处理后的用户请求信息转化成服装草图;
选择模块,用于用户选择草图中需要进一步设计的部分区域;
视觉生成模块,构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建,在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合,使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,其中训练具体是对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;
输出模块,用于用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成并输出符合用户请求的服装设计图片。
第三方面,本申请实施例提供了一种终端设备,其特征在于,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请实施例描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如本申请实施例描述的方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了本申请实施例提供的导览机器人路径规划方法的流程示意图;
图2示出了本申请又一实施例提供的导览机器人路径规划装置结构框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,图1示出了本申请实施例提供的基于对抗生成网络的辅助服装生成方法的流程示意图。
如图1所示,该方法包括:
通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中;
接收用户的请求信息,将请求信息进行结构化处理;
使用是长短期记忆网络LSTM将结构化处理后的用户请求信息转化成服装草图;用户选择草图中需要进一步设计的部分区域;
构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建;
在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合;使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,具体训练过程是:对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;
用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成符合用户请求的服装设计图片。
具体的,用户请求信息包含以下至少一种:标签、自然语言、人群信息、场景信息、上下文信息、元素图、草图。对用户请求信息和素材进行结构处理包括:将户请求信息和素材使用内容标签、视觉标签、可视元素三者进行描述,其中内容标签包括:目的、风格,视觉标签包括:尺寸、布局、色彩,可视元素包括:显示图、参照图。
请参考图2,图2示出了本申请又一实施例提供基于对抗生成网络的辅助服装生成装置
该装置包括:
规范化模块10,用于通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中,接收用户的请求信息,将请求信息进行结构化处理;
草图生成模块20,用于使用是长短期记忆网络LSTM将结构化处理后的用户请求信息转化成服装草图;
选择模块30,用于用户选择草图中需要进一步设计的部分区域;
视觉生成模块40,用于构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建;在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合;使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,具体训练过程是:对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;输出模块50,用于用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成并输出符合用户请求的服装设计图片。
具体的,用户请求信息包含以下至少一种:标签、自然语言、人群信息、场景信息、上下文信息、元素图、草图。对用户请求信息和素材进行结构处理包括:将户请求信息和素材使用内容标签、视觉标签、可视元素三者进行描述,其中内容标签包括:目的、风格,视觉标签包括:尺寸、布局、色彩,可视元素包括:显示图、参照图。
作为另一方面,本申请还提供了一种终端设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请实施例描述的方法。
作为另一方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本申请实施例描述的方法。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(ProgrammableGate Array;以下简称:PGA),现场可编程门阵列(Field ProgrammableGate Array;以下简称:FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于对抗生成网络的辅助服装生成方法,其特征在于,该方法包括:
通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中;
接收用户的请求信息,将请求信息进行结构化处理;
使用是长短期记忆网络LSTM将结构化处理后的用户请求信息转化成服装草图;用户选择草图中需要进一步设计的部分区域;
构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建;
在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合;使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,具体训练过程是:对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;
用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成符合用户请求的服装设计图片。
2.根据权利要求1所述的方法,其特征在于,用户请求信息包含以下至少一种:标签、自然语言、人群信息、场景信息、上下文信息、元素图、草图。
3.根据权利要求1所述的方法,其特征在于,对用户请求信息和素材进行结构处理包括:将户请求信息和素材使用内容标签、视觉标签、可视元素三者进行描述,其中内容标签包括:目的、风格,视觉标签包括:尺寸、布局、色彩,可视元素包括:显示图、参照图。
4.一种基于对抗生成网络的辅助服装生成装置,其特征在于,该装置包括:
规范化模块,用于通过手工或者网络抓取收集服装设计素材图片,对素材照片进行结构化处理,存储在素材库中,接收用户的请求信息,将请求信息进行结构化处理;
草图生成模块,用于使用是长短期记忆网络LSTM将结构化处理后的用户请求信息转化成服装草图;
选择模块,用于用户选择草图中需要进一步设计的部分区域;
视觉生成模块,用于构建对抗生成网络,其中生成器和判别器均使用卷积神经网络构建,在素材库中查找与用户请求的结构化信息匹配的素材照片,构成可选素材集合,使用对抗生成网络生成衣服设计方案,具体的,将可选素材输入到生成器中,然后将用户选择的草图部分区域和训练后的生成器的输出分别输入到判别器中,其中训练具体是对生成器网络进行训练,训练一定周期后固定生成器,并将其输出和用户选择的草图部分区域图片作为判别器网络的输入然后训练一定周期,如此循环训练生成器和判别器,最后输出训练后的服装设计方案;
输出模块,用于用户可以选择不同的衣服部位迭代使用对抗生成网络生成衣服设计方案,最终将服装草图逐步细化,形成并输出符合用户请求的服装设计图片。
5.根据权利要求4所述的装置,其特征在于,用户请求信息包含以下至少一种:标签、自然语言、人群信息、场景信息、上下文信息、元素图、草图。
6.根据权利要求4所述的装置,其特征在于,对用户请求信息和素材进行结构处理包括:将户请求信息和素材使用内容标签、视觉标签、可视元素三者进行描述,其中内容标签包括:目的、风格,视觉标签包括:尺寸、布局、色彩,可视元素包括:显示图、参照图。
7.一种终端设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-3中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910358628.1A CN110135032B (zh) | 2019-04-30 | 2019-04-30 | 一种基于对抗生成网络的辅助服装生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910358628.1A CN110135032B (zh) | 2019-04-30 | 2019-04-30 | 一种基于对抗生成网络的辅助服装生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135032A true CN110135032A (zh) | 2019-08-16 |
CN110135032B CN110135032B (zh) | 2020-12-18 |
Family
ID=67575798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910358628.1A Active CN110135032B (zh) | 2019-04-30 | 2019-04-30 | 一种基于对抗生成网络的辅助服装生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135032B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539116A (zh) * | 2020-04-28 | 2020-08-14 | 嘉兴市福慧自在科技有限公司 | 一种基于人工智能的服装设计辅助***及设计方法 |
CN111728302A (zh) * | 2020-06-30 | 2020-10-02 | 深兰人工智能芯片研究院(江苏)有限公司 | 服装设计方法和装置 |
CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
CN115618452A (zh) * | 2022-12-08 | 2023-01-17 | 湖南大学 | 具有设计师风格的服装图像智能生成*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110166682A1 (en) * | 2010-01-05 | 2011-07-07 | Microsoft Corporation | Automated generation of garment construction specification |
CN105006016A (zh) * | 2015-05-21 | 2015-10-28 | 北京航空航天大学 | 一种贝叶斯网络约束的部件级三维模型构建方法 |
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及*** |
CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
CN108170823A (zh) * | 2018-01-04 | 2018-06-15 | 江西师范大学 | 一种基于高层语义属性理解的手绘交互式三维模型检索方法 |
CN108829855A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于条件生成对抗网络的衣着穿搭推荐方法、***及介质 |
CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
-
2019
- 2019-04-30 CN CN201910358628.1A patent/CN110135032B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110166682A1 (en) * | 2010-01-05 | 2011-07-07 | Microsoft Corporation | Automated generation of garment construction specification |
CN105006016A (zh) * | 2015-05-21 | 2015-10-28 | 北京航空航天大学 | 一种贝叶斯网络约束的部件级三维模型构建方法 |
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及*** |
CN107123033A (zh) * | 2017-05-04 | 2017-09-01 | 北京科技大学 | 一种基于深度卷积神经网络的服装搭配方法 |
CN108170823A (zh) * | 2018-01-04 | 2018-06-15 | 江西师范大学 | 一种基于高层语义属性理解的手绘交互式三维模型检索方法 |
CN108829855A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于条件生成对抗网络的衣着穿搭推荐方法、***及介质 |
CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
Non-Patent Citations (2)
Title |
---|
_赵羽: "采用生成式对抗网络(GANs)进行产品设计", 《中国信息化》 * |
胡觉亮 等: "基于人工神经网络的服装结构设计", 《纺织学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539116A (zh) * | 2020-04-28 | 2020-08-14 | 嘉兴市福慧自在科技有限公司 | 一种基于人工智能的服装设计辅助***及设计方法 |
CN111539116B (zh) * | 2020-04-28 | 2023-05-02 | 嘉兴市福慧自在科技有限公司 | 一种基于人工智能的服装设计辅助***及设计方法 |
CN111728302A (zh) * | 2020-06-30 | 2020-10-02 | 深兰人工智能芯片研究院(江苏)有限公司 | 服装设计方法和装置 |
CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
CN112837332B (zh) * | 2021-01-13 | 2024-01-19 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质 |
CN115618452A (zh) * | 2022-12-08 | 2023-01-17 | 湖南大学 | 具有设计师风格的服装图像智能生成*** |
Also Published As
Publication number | Publication date |
---|---|
CN110135032B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135032A (zh) | 一种基于对抗生成网络的辅助服装生成方法和装置 | |
Li et al. | A survey of data-driven and knowledge-aware explainable ai | |
Von Rueden et al. | Informed machine learning–a taxonomy and survey of integrating prior knowledge into learning systems | |
Moroney | AI and Machine Learning for Coders | |
Munzner | Visualization analysis and design | |
CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
Liu et al. | Research on computer-aided creative design platform based on creativity model | |
CN111930956B (zh) | 一种采用知识图谱的多创新方法推荐与流驱动的集成*** | |
Han et al. | A data-driven approach for creative concept generation and evaluation | |
Sharma et al. | Big data and analytics in industry 4.0 | |
Chen et al. | Recognizing the style of visual arts via adaptive cross-layer correlation | |
Manikandan et al. | Evaluation of students’ performance in educational sciences and prediction of future development using tensorflow | |
Chae et al. | Technologies and applications of Industry 4.0: insights from network analytics | |
Bryndin | Practical development of creative life-saving artificial intelligence | |
Zhao et al. | Creative idea generation method based on deep learning technology | |
Jang et al. | Deep Q-network-based multi-criteria decision-making framework for virtual simulation environment | |
Chikwendu et al. | A comprehensive survey on deep graph representation learning methods | |
Sood et al. | Neunets: An automated synthesis engine for neural network design | |
Sola et al. | On the use of knowledge graph completion methods for activity recommendation in business process modeling | |
Tang et al. | Matrix-based product design and change management | |
Kang et al. | BioSpark: An End-to-End Generative System for Biological-Analogical Inspirations and Ideation | |
Zhou et al. | Learning path recommendation using lesson sequence and learning object based on course graph | |
Rubio-Largo et al. | Data-Driven Computational Intelligence for Scientific Programming. | |
Ai | Some thoughts on deep learning empowering cartography | |
Maheshwaram | Future directions and challenges of deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |