服装设计方法、装置、电子设备及存储介质

技术领域

本申请涉及服装设计领域，尤其涉及一种服装设计方法、装置、电子设备及存储介质。

背景技术

随着机器学习技术和图像生成技术日渐成熟，机器学习越来越被广泛应用于服装设计之中。特别的，在2014年出现的对抗生成网络(Generative Adversarial Networks，GAN)技术，已经能够生成非常逼真且高分辨率的服装图像，这类技术大都以多维正态分布采样高斯噪声作为GAN模型的输入，GAN模型经过一系列运算得到非常逼真的图像。

然而，这样的方式有一个共同的缺点，缺乏控制性，即很难控制生成指定设计要点的服装。

因此，如何提供一种有效的方案以确保能够生成指定设计要点的服装，以成为现有技术中一亟待解决的难题。

发明内容

本申请实施例提供了一种服装设计方法、装置、电子设备及存储介质，用以解决现有技术中存在的难以生成指定设计要点的服装的问题。

本申请实施例采用下述技术方案：

第一方面，本申请实施例提供了一种服装设计方法，包括：

将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取所述多款服装商品的共有特征，得到目标特征；

计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

在一个可能的设计中，所述统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品，包括：

根据第三方服务端的服装商品销售记录，统计当前时间段内与所述设计请求所对应服装品类的服装商品的商品销量；

选取商品销量最高的多款服装商品作为所述当前流行的多款服装商品。

在一个可能的设计中，所述提取所述多款服装商品的共有特征，得到目标特征，包括：

将所述多款服装商品的图片分别作为预先训练的第二模型的输入进行运算，并对所述第二模型的最后两层输出的特征向量进行拼接，得到与所述多款服装商品一一对应的多个初始特征；

提取所述多个初始特征中共有的特征向量，得到所述目标特征；

其中，所述第二模型是以已知的第二服装设计图片作为输入，与所述第二服装设计图片所对应的服装品类作为输出进行训练得到的。

在一个可能的设计中，所述方法还包括：

调用与所述服装品类所对应的第三模型；

将至少一张服装设计图片中被选取的目标服装设计图片作为所述第三模型的输入进行运算，得到与所述目标服装设计图片对应的板片参数；

依据所述板片参数对所述目标服装设计图片进行3D渲染；

其中，所述第三模型是以已知的第三服装设计图片作为输入，所述第三服装设计图片的板片参数作为输入进行训练得到的。

在一个可能的设计中，所述依据所述板片参数对所述目标服装设计图片进行3D渲染，包括：

依据所述板片参数和生成的面料对所述目标服装设计图片进行3D渲染；或

依据所述板片参数和生成的印花对所述目标服装设计图片进行3D渲染。

在一个可能的设计中，所述方法还包括：

响应所述客户端针对所述板片参数的调整操作对所述板片参数进行调整；

所述依据所述板片参数对所述目标服装设计图片进行3D渲染，包括：

依据调整后的所述板片参数对所述目标服装设计图片进行3D渲染。

在一个可能的设计中，所述第一模型为styleGAN模型或BigGAN模型。

第二方面，本申请实施例提供了一种服装设计装置，包括：

第一运算单元，用于将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计单元，用于统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取单元，用于提取所述多款服装商品的共有特征，得到目标特征；

第二运算单元，用于计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

发送单元，用于将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序，实现以下流程：

将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取所述多款服装商品的共有特征，得到目标特征；

计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以下流程：

将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取所述多款服装商品的共有特征，得到目标特征；

计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

本申请一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：

由于将设计请求作为第一模型的输入运算得到多张服装设计图片，统计与设计请求所对应服装品类中在当前流行的多款服装商品，并提取多款服装商品的共有特征得到目标特征，然后将特征与目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据该至少一张服装设计图片进行服装设计，设计请求包括服装类型和服装风格参数，如此发送给客户端的服装设计图片在满足服装类型和服装风格参数的同时，服装设计图片的特征还与当前流行的多款服装商品的同有特征匹配度最，从而能够根据需求生成指定设计要点的服装。

附图说明

此处所说明的附图用来提供对本文件的进一步理解，构成本文件的一部分，本文件的示意性实施例及其说明用于解释本文件，并不构成对本文件的不当限定。在附图中：

图1为本申请一个实施例提供的服装设计方法流程示意图。

图2为本申请一个实施例提供的电子设备的结构示意图。

图3为本申请一个实施例提供的服装设计装置的结构示意图。

具体实施方式

为了解决现有技术中存在的难以生成指定设计要点的服装的问题，本申请实施例提供了一种服装设计方法、装置、电子设备及存储介质，该设计方法、装置、电子设备及存储介质能够根据需求生成指定设计要点的服装。

本申请实施例提供了的服装设计方法可应用于服务器，所述服务器可以是网络服务器或数据库服务器。

为了便于描述，除特别说明外，本申请实施例均以服务器为执行主体进行说明。

可以理解，所述执行主体并不构成对本申请实施例的限定。

可选的，服装设计方法如图1所示，可以包括如下步骤：

步骤S101，将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片。

其中，设计请求包括服装类型和服装风格参数。例如，服装类型可以是T恤、裙子、短裤等，服装风格参数可以是破洞、水洗、赫本风格等。

本申请实施例中，预先训练有用于生成服装设计图片的第一模型，该第一模型是以已知的第一服装设计图片作为输出，与第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。其中，已知的第一服装设计图片可以通过爬虫工具针对电商、卖场以及走秀数据进行服装数据抓取，并使用分类网络对抓取的图像进行平铺/分平铺分类，针对平铺图使用语义分割算法去除背景噪声，然后对服装上的图案和印花进行抹除，得到干净的标准效果图，即第一服装设计图片。

在进行服装设计时，可将设计请求(服装类型和服装风格参数)进行量化处理，并在量化处理后作为第一模型的输入进行运算，得到多张服装设计图片。

本申请实施例中，第一模型可以是，但不限于styleGAN模型、BigGAN模型或条件生成-对抗网络(Conditional Generative Adversarial Networks，CGAN)模型等。

步骤S102，统计出与设计请求所对应服装品类中在当前流行的多款服装商品。

具体的，统计与设计请求所对应服装品类中在当前流行的多款服装商品，可以包括如下步骤：

步骤S1021，根据第三方服务端的服装商品销售记录，统计当前时间段内与设计请求所对应服装品类的服装商品的商品销量。

所述第三方服务端可以是服装商品销售平台的服务器，如淘宝平台的服务器、京东平台的服务器等。当前时间段可以根据实际情况设定，如当前时间的前1个月或1周。服装品类可以是指服装类型，例如在服装设计领域，裙子可以认为是一个品类，衬衣可以认为是与裙子所对应品类不同的另一个品类，因此与设计请求所对应服装品类可以是指设计请求中所携带的服装类型。

例如，设计请求中所携带的服装类型为裙子，当前时间段为当前时间的前一周，统计当前时间段内与设计请求所对应服装品类的服装商品的商品销量，可以是指统计前一周内的各种裙子的销量。

步骤S1022，选取商品销量最高的多款服装商品作为当前流行的多款服装商品。

在统计当前时间段内与设计请求所对应服装品类的服装商品的商品销量后，可按照服装款式对不同款式的服装商品按销量进行排序，然后选取商品销量最高的多款服装商品作为当前流行的多款服装商品。

例如，可以选取商品销量最高的前100款服装商品作为当前流行的多款服装商品，也可以选取其中销量排名前1％的服装商品作为当前流行的多款服装商品。

步骤S103，提取多款服装商品的共有特征，得到目标特征。

本申请实施例中，还预先建立有用于商品特征提取的第二模型，该第二模型可以是以已知的第二服装设计图片作为输入，与第二服装设计图片所对应的服装品类作为输出进行训练得到的。

在提取多款服装商品的共有特征时，可以将多款服装商品的图片分别作为预先训练的第二模型的输入进行运算，并对第二模型的最后两层输出的特征向量进行拼接，得到与多款服装商品一一对应的多个初始特征。然后再提取该多个初始特征中共有的特征向量，得到目标特征，该目标特征即为该多款服装商品的共有的特征。

例如，有3款服装商品，分别记为服装商品A、服装商品B和服装商品C，其中服装商品A的图片作为第二模型的输入进行运算时，第二模型的最后两层输出的特征向量分别为a1和a2，服装商品B的图片作为第二模型的输入进行运算时，第二模型的最后两层输出的特征向量分别为b1和b2，服装商品C的图片作为第二模型的输入进行运算时，第二模型的最后两层输出的特征向量分别为c1和c2。则可将特征向量a1与a2拼接得到特征向量a3，将特征向量b1与b2拼接得到特征向量b3，将特征向量c1与c2拼接得到特征向量c3，然后再提取特征向量a3、b3以及c3中共有的特征向量，得到目标特征。

本申请实施例中，第二服装设计图片可以是前述的第一服装设计图片，也可以是按照前述第一服装设计图片的获取方式得到的服装设计图片，本申请实施例中不做具体限定。

第二模型可以是，但不限于styleGAN模型、BigGAN模型或条件生成-对抗网络(Conditional Generative Adversarial Networks，CGAN)模型等。

步骤S104，计算多张服装设计图片中每张图片所对应特征与目标特征的特征相似度。

本申请实施例中，在计算每张图片所对应特征与目标特征的特征相似度时，可通过计算每张图片所对应特征与目标特征的KL(Kullback-Leibler)距离、JS(Jensen-Shannon)距离或余弦距离，并归一化后按照权重进行加权运算得到特征之间的相似度，为现有技术，本申请实施例中不再进行具体说明。

步骤S105，将特征与目标特征的特征相似度最高的至少一张服装设计图片发送给客户端。

客户端接收到发送的少一张服装设计图片后，可根据该少一张服装设计图片进行服装设计。

本申请实施例提供的服装设计方法，通过将设计请求作为第一模型的输入运算得到多张服装设计图片，统计与设计请求所对应服装品类中在当前流行的多款服装商品，并提取多款服装商品的共有特征得到目标特征，然后将特征与目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据该至少一张服装设计图片进行服装设计，设计请求包括服装类型和服装风格参数，如此发送给客户端的服装设计图片在满足服装类型和服装风格参数的同时，服装设计图片的特征还与当前流行的多款服装商品的同有特征匹配度最，从而能够根据需求有监督的生成指定设计要点的服装，且能够针对市面上基本所有的服装品类进行设计。同时，服装设计图片的生成过程方便快捷，提升了服装设计的效率。

在上述第一方面所述服装设计方法的基础上，本申请实施例还提供了一种对服装设计图片进行3D渲染的可能设计一。其可以包括，但不限于如下步骤：

步骤S201，调用与服装品类所对应的第三模型。

本申请实施例中，针对不同品类的服装设计图片预先建立有多个第三模型，多个第三模型分别用于确定不同品类的服装设计图片的板片参数，该第三模型是以已知的第三服装设计图片作为输入，第三服装设计图片的板片参数作为输入进行训练得到的。所述第三模型可以是，但不限于styleGAN模型、BigGAN模型或条件生成-对抗网络(ConditionalGenerative Adversarial Networks，CGAN)模型等。

其中，所述板片参数可以包括，但不限于板片缝合点位置、板片顶点位置、板片各点之间的弧度、板片边长、板片印花位置等。

服务端在将至少一张服装设计图片发送给客户端后，可调用与设计请求中的服装品类所对应的第三模型。

本申请实施例中，第三服装设计图片可以是前述的第一服装设计图片或第二服装设计图片，也可以是按照前述第一服装设计图片的获取方式得到的服装设计图片，本申请实施例中不做具体限定。

步骤S202，将至少一张服装设计图片中被选取的目标服装设计图片作为第三模型的输入进行运算，得到与目标服装设计图片对应的板片参数。

本申请实施例中，服务端在将至少一张服装设计图片发送给客户端后，客户端用户可根据需要选择其中的一张或多张服装设计图片作为目标服装设计图片。

步骤S203，依据板片参数对目标服装设计图片进行3D渲染。

进一步的，在对目标服装设计图片进行3D渲染时，还可生成不同面料或根据用户的选择生成相应的面料，然后依据板片参数和生成的面料对目标服装设计图片进行3D渲染。

或者，可以生成不同种类的印花或根据用户的选择生成相应的印花，然后依据板片参数和生成的印花对目标服装设计图片进行3D渲染。

进一步的，在对目标服装设计图片进行3D渲染之前，用户还可通过客户端向服务器发起针对板片参数的调整操作，服务器响应所述客户端针对所述板片参数的调整操作对板片参数进行调整，在3D渲染时可依据调整后的板片参数对目标服装设计图片进行3D渲染，从而达到可以商业生成的标准。

由此通过上述的可能设计一，可在3D渲染时生成不同面料或不同印花的3D服装效果，以便指导客户生产。同时，可以对服装设计图片的板片参数进行调整，从而达到可以商业生成的标准。

图2是本申请的一个实施例提供的电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成服装设计装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取所述多款服装商品的共有特征，得到目标特征；

计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

上述如本申请图2所示实施例揭示的服装设计装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1的方法，并实现服装设计装置在图2所示实施例的功能，本申请实施例在此不再赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例的方法，并具体用于执行以下操作：

将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取所述多款服装商品的共有特征，得到目标特征；

计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

图3是本申请的一个实施例提供的服装设计装置的结构示意图。请参阅图3，在一种软件实施方式中，服装设计装置包括：

第一运算单元，用于将接收到的设计请求作为预先训练的第一模型的输入进行运算，得到多张服装设计图片；

统计单元，用于统计出与所述设计请求所对应服装品类中在当前流行的多款服装商品；

提取单元，用于提取所述多款服装商品的共有特征，得到目标特征；

第二运算单元，用于计算所述多张服装设计图片中每张图片所对应特征与所述目标特征的特征相似度；

发送单元，用于将特征与所述目标特征的特征相似度最高的至少一张服装设计图片发送给客户端，以便依据所述至少一张服装设计图片进行服装设计；

其中，所述设计请求包括服装类型和服装风格参数，所述第一模型是以已知的第一服装设计图片作为输出，与所述第一服装设计图片所对应的服装类型及服装风格参数作为输入进行训练得到的。

总之，以上所述仅为本文件的较佳实施例而已，并非用于限定本文件的保护范围。凡在本文件的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本文件的保护范围之内。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本文件中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。