CN111527493A - 在创建服饰设计时使用神经网络 - Google Patents

在创建服饰设计时使用神经网络 Download PDF

Info

Publication number
CN111527493A
CN111527493A CN201880084450.XA CN201880084450A CN111527493A CN 111527493 A CN111527493 A CN 111527493A CN 201880084450 A CN201880084450 A CN 201880084450A CN 111527493 A CN111527493 A CN 111527493A
Authority
CN
China
Prior art keywords
laser
garment
input file
pattern
characteristic
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.)
Pending
Application number
CN201880084450.XA
Other languages
English (en)
Inventor
克里斯多夫·舒尔茨
詹尼弗·舒尔茨
本杰明·贝尔
黛布拉尔·玛汉蒂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Levi Strauss and Co
Original Assignee
Levi Strauss and Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Levi Strauss and Co filed Critical Levi Strauss and Co
Publication of CN111527493A publication Critical patent/CN111527493A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06B—TREATING TEXTILE MATERIALS USING LIQUIDS, GASES OR VAPOURS
    • D06B11/00—Treatment of selected parts of textile materials, e.g. partial dyeing
    • D06B11/0093—Treatments carried out during or after a regular application of treating materials, in order to get differentiated effects on the textile material
    • D06B11/0096—Treatments carried out during or after a regular application of treating materials, in order to get differentiated effects on the textile material to get a faded look
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41B—SHIRTS; UNDERWEAR; BABY LINEN; HANDKERCHIEFS
    • A41B1/00—Shirts
    • A41B1/08—Details
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • A41D1/02—Jackets
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • A41D1/04—Vests, jerseys, sweaters or the like
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • A41D1/06—Trousers
    • A41D1/08—Trousers specially adapted for sporting purposes
    • A41D1/089—Shorts
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • A41D1/14—Skirts
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D27/00—Details of garments or of their making
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D27/00—Details of garments or of their making
    • A41D27/08—Trimmings; Ornaments
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D3/00—Overgarments
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
    • A41H43/00—Other methods, machines or appliances
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D1/00—Woven fabrics designed to make specified articles
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D03D15/40—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the structure of the yarns or threads
    • D03D15/43—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the structure of the yarns or threads with differing diameters
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06C—FINISHING, DRESSING, TENTERING OR STRETCHING TEXTILE FABRICS
    • D06C23/00—Making patterns or designs on fabrics
    • D06C23/02—Making patterns or designs on fabrics by singeing, teasing, shearing, etching or brushing
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M10/00—Physical treatment of fibres, threads, yarns, fabrics, or fibrous goods made from such materials, e.g. ultrasonic, corona discharge, irradiation, electric currents, or magnetic fields; Physical treatment combined with treatment with chemical compounds or elements
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06M—TREATMENT, NOT PROVIDED FOR ELSEWHERE IN CLASS D06, OF FIBRES, THREADS, YARNS, FABRICS, FEATHERS OR FIBROUS GOODS MADE FROM SUCH MATERIALS
    • D06M10/00—Physical treatment of fibres, threads, yarns, fabrics, or fibrous goods made from such materials, e.g. ultrasonic, corona discharge, irradiation, electric currents, or magnetic fields; Physical treatment combined with treatment with chemical compounds or elements
    • D06M10/005—Laser beam treatment
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06P—DYEING OR PRINTING TEXTILES; DYEING LEATHER, FURS OR SOLID MACROMOLECULAR SUBSTANCES IN ANY FORM
    • D06P5/00—Other features in dyeing or printing textiles, or dyeing leather, furs, or solid macromolecular substances in any form
    • D06P5/15—Locally discharging the dyes
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06P—DYEING OR PRINTING TEXTILES; DYEING LEATHER, FURS OR SOLID MACROMOLECULAR SUBSTANCES IN ANY FORM
    • D06P5/00—Other features in dyeing or printing textiles, or dyeing leather, furs, or solid macromolecular substances in any form
    • D06P5/20—Physical treatments affecting dyeing, e.g. ultrasonic or electric
    • D06P5/2011—Application of vibrations, pulses or waves for non-thermic purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41B—SHIRTS; UNDERWEAR; BABY LINEN; HANDKERCHIEFS
    • A41B2500/00—Materials for shirts, underwear, baby linen or handkerchiefs not provided for in other groups of this subclass
    • A41B2500/20—Woven
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00—Garments
    • A41D1/06—Trousers
    • A—HUMAN NECESSITIES
    • A41—WEARING APPAREL
    • A41D—OUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D2500/00—Materials for garments
    • A41D2500/20—Woven
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06P—DYEING OR PRINTING TEXTILES; DYEING LEATHER, FURS OR SOLID MACROMOLECULAR SUBSTANCES IN ANY FORM
    • D06P1/00—General processes of dyeing or printing textiles, or general processes of dyeing leather, furs, or solid macromolecular substances in any form, classified according to the dyes, pigments, or auxiliary substances employed
    • D06P1/22—General processes of dyeing or printing textiles, or general processes of dyeing leather, furs, or solid macromolecular substances in any form, classified according to the dyes, pigments, or auxiliary substances employed using vat dyestuffs including indigo
    • D06P1/228—Indigo
    • D—TEXTILES; PAPER
    • D10—INDEXING SCHEME ASSOCIATED WITH SUBLASSES OF SECTION D, RELATING TO TEXTILES
    • D10B—INDEXING SCHEME ASSOCIATED WITH SUBLASSES OF SECTION D, RELATING TO TEXTILES
    • D10B2501/00—Wearing apparel
    • D10B2501/04—Outerwear; Protective garments

Abstract

在对服饰进行精加工中使用软件和激光来产生期望的磨损式样或其他设计。一种技术包括使用机器学习来创建或提取针对现有服装的磨损式样的激光输入文件。机器学习可以通过生成对抗网络来进行，该生成对抗网络具有生成神经网和判别神经网。生成对抗网络被训练并然后用于创建模型。该模型被用于根据具有精加工式样的现有服装的图像来生成激光输入文件。使用此激光输入文件，激光器可以将来自现有服装的磨损式样重新创建到新服装上。

Description

在创建服饰设计时使用神经网络
相关申请的交叉引用
本专利申请要求于2017年10月31日递交的美国专利申请62/579,867的权益，该专利申请以及本申请中引用的所有其他参考文献通过引用合并于此。
技术领域
本发明涉及服饰精加工，并且更具体地，涉及在服装，特别是包括牛仔裤、衬衫、短裤、夹克、背心和裙子的牛仔服装的精加工中使用激光以获得褪色、做旧、水洗、或磨损饰面(worn finish)或外观。
背景技术
1853年，在加利福尼亚淘金热期间，24岁的德国移民Levi Strauss带着少量布匹离开纽约前往旧金山，打算开设他兄弟在纽约的布匹业务的分公司。在到达旧金山后不久，Strauss先生意识到矿工和勘探者(称为“淘金者(forty niners)”)需要足够牢固的裤子以熬过他们忍受的艰苦工作条件。因此，Strauss先生开发了现在所熟知的牛仔裤，并卖给矿工。他创立的公司Levi Strauss&Co仍然销售牛仔裤，并且是世界上最知名的牛仔裤品牌。Levi’s是Levi Strauss&Co或LS&Co的商标。
虽然淘金热时期的牛仔裤被用作工作服，但牛仔裤已经演进为男女日常穿着的时装，出现在广告牌、电视广告和时装秀上。时尚是美国乃至全球最大的消费产业之一。牛仔裤和相关服饰是该产业的重要部分。
作为时尚，人们关注他们的牛仔裤的外观。很多人期望褪色或磨损的蓝色牛仔裤外观。过去，牛仔裤通过普通的水洗和磨损而变得褪色或做旧。服饰产业认识到人们对磨损蓝色牛仔裤外观的期望，并且开始生产具有各种磨损式样的牛仔裤和服饰。磨损式样已成为牛仔裤风格和时尚的一部分。磨损式样的一些示例包括梳子或蜂窝、须状物、堆叠和火车轨道。
尽管牛仔裤已经获得了广泛的成功，但是生产具有磨损式样的现代牛仔裤的工艺需要工艺时间，具有相对高的工艺成本并且是资源密集型的。生产牛仔裤的工艺使用大量的水、化学品(例如，漂白剂或氧化剂)、臭氧、酶和浮石。例如，精加工每条牛仔裤可能需要约20至60升的水。
因此，需要对牛仔裤进行精加工的改进工艺，这些改进工艺减少环境影响、工艺时间和工艺成本，同时保持传统精加工技术的外观和风格。进一步地，存在对于从现有服装中创建和提取设计特征或磨损样式以获得相应的激光输入文件的改进技术的需要。
发明内容
在对服饰进行精加工中使用软件和激光来产生期望的磨损式样或其他设计。一种技术包括使用机器学习来创建或提取针对来自现有服装的磨损式样的激光输入文件。机器学习方法可以使用生成对抗网络，其具有生成神经网和判别神经网，二者协同工作以将服装图像转换为将重新创建服装图像的制造输入。然后，将使用服装图像和用于创建它们的制造输入来训练生成对抗网络模型。该模型被用于根据具有精加工式样的现有服装的图像来生成激光输入文件。使用此激光输入文件，激光器可以将来自现有服装的磨损式样重新创建到新服装上。使用纯卷积神经网络架构的另一技术允许通过混合美学来创建新颖的服装。
通过以下操作来重现服装(包括牛仔裤和其他牛仔布服装)上的磨损式样和其他设计：捕获表现出期望的磨损式样或其他设计的现有服装的数字图像(例如，高分辨率数字图像，可能是原始格式)，使用机器学习软件(例如，生成对抗网络)来处理数字图像，以及然后使用由机器学习软件形成的模型所生成的图像作为式样，来控制激光器在新服装上重现期望的式样或设计。该过程允许在销售之前在新的衣物上重现从诸如牛仔裤之类的磨损服装中获得的期望的、复杂的且真实的磨损式样。
在实施方式中，方法包括：组装由经编织第一材料的面料面板制成的服装，该经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，面料面板使用线被缝制在一起；使用通过包括生成对抗网络的机器学习形成的模型，创建激光输入文件，该激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，第一材料包括与第二材料不同的面料特性；以及基于由模型创建的激光输入文件，使用激光器在服装的外表面上创建精加工式样，其中，基于激光输入文件，激光器在服装的不同像素位置处从第一材料的表面去除所选择的量的材料，对于精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且所创建的精加工式样能够跨服装的多个部分延伸，在该多个部分处，两个或更多个面料面板通过将这些部分暴露于激光器而通过线被接合在一起。
在实施方式中，方法包括：提供由经编织第一材料的面料面板制成的组装服装，该经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，面料面板使用线被缝制在一起；提供激光输入文件，该激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，现有服装上的精加工式样不是通过激光器创建的，并且激光输入文件是通过以下方式获得的：训练生成对抗网络，生成对抗网络包括生成神经网和判别神经网的，并且从生成对抗网络形成模型，其中，模型生成针对具有精加工式样的现有服装的图像的激光输入文件；以及基于激光输入文件，使用激光器在组装服装的外表面上创建精加工式样，其中，基于激光输入文件，激光器在组装服装的不同像素位置处从第一材料的表面去除所选择的量的材料，对于精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且所创建的精加工式样能够跨组装服装的多个部分延伸，在该多个部分处，两个或更多个面料面板通过将这些部分暴露于激光器而通过线被接合在一起。
在实施方式中，方法包括：组装由经编织第一牛仔布材料的面料面板制成的牛仔裤，该经编织第一牛仔布材料包括具有靛蓝环染棉纱线的经纱，其中，面料面板使用线被缝制在一起；创建激光输入文件，该激光输入文件代表来自由第二牛仔布材料制成的现有牛仔裤的精加工式样，其中，第一牛仔布材料具有与第二牛仔布材料不同的面料特性，并且创建激光输入文件包括：使用机器学习来形成模型，其中，模型生成针对具有精加工式样的现有服装的图像的激光输入文件；以及基于激光输入文件，使用激光器在牛仔裤的外表面上创建精加工式样，其中，基于激光输入文件，激光器在牛仔裤的不同像素位置处从第一材料的表面去除所选择的量的材料，对于精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且所创建的精加工式样能够跨所述牛仔裤的多个部分延伸，在该多个部分处，两个或更多个面料面板通过将这些部分暴露于激光器而通过线被接合在一起。
在实施方式中，方法包括：提供由经编织第一材料的面料面板制成的组装服装，该经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，面料面板使用线被缝制在一起；提供激光输入文件，该激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，现有服装上的精加工式样不是通过激光器创建的，并且激光输入文件是通过以下方式获得的：将样本激光输入文件以及样本服装的图像提供给生成对抗网络，样本服装具有根据样本激光输入文件产生的经激光处理的精加工式样，其中，样本激光输入文件包括用于生成对抗网络的真实激光输入文件；使用生成对抗网络的生成神经网，生成针对具有经激光处理的精加工式样的样本服装的图像的伪造激光输入文件；基于伪造激光输入文件和真实激光输入文件来确定生成器损失；将真实激光输入文件输入到生成对抗网络的真实判别器；将真实激光输入文件和伪造激光输入文件输入到生成对抗网络的伪造判别器；基于真实判别器和伪造判别器的输出确定判别器损失；以及基于生成器损失和判别器损失的输出，迭代地训练模型以获得最终模型，其中，最终模型生成针对具有精加工式样的现有服装的图像的激光输入文件。
基于激光输入文件，使用激光器在组装服装的外表面上创建精加工式样，其中，基于所激光输入文件，激光器在组装服装的不同像素位置处从第一材料的表面去除所选择的量的材料，对于精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且所创建的精加工式样能够跨组装服装的多个部分延伸，在该多个部分处，两个或更多个面料面板通过将这些部分暴露于激光器而通过线被接合在一起。
在实施方式中，服装包括：由经编织第一材料制成的面料面板，该经编织第一材料包括具有靛蓝环染棉纱的经纱，其中，面料面板使用线被缝制在一起；以及服装的外表面包括基于激光输入文件通过激光器来创建的精加工式样，其中，该激光输入文件包括数字数据，该数字数据表示来自由第二材料制成的现有服装的精加工式样，第一材料包括与第二材料不同的面料特性，并且激光输入文件是通过以下方式创建的：将样本激光输入文件以及样本服装的图像提供给生成对抗网络，样本服装具有根据样本激光输入文件产生的经激光处理的精加工式样，其中，样本激光输入文件包括用于生成对抗网络的真实激光输入文件；使用对抗网络的生成神经网，生成针对具有经激光处理的精加工式样的样本服装的图像的伪造激光输入文件；基于伪造激光输入文件和真实激光输入文件来确定生成器损失；将真实激光输入文件输入到生成对抗网络的真实判别器；将真实激光输入文件和伪造激光输入文件输入到生成对抗网络的伪造判别器；基于真实判别器和伪造判别器的输出来确定判别器损失；以及基于生成器损失和判别器损失的输出，迭代地训练模型以获得最终模型，其中，最终模型生成针对具有精加工式样的现有服装的图像的激光输入文件。
在实施方式中，服装包括：由经编织第一材料制成的面料面板，该经编织第一材料包括具有染色棉纱线的经纱，其中，面料面板使用线被缝制在一起；并且服装的外表面包括基于激光输入文件通过激光器来创建的精加工式样，其中，该激光输入文件包括数字数据，该数字数据表示来自由第二材料制成的现有服装的精加工式样，第一材料包括与第二材料不同的面料特性，并且激光输入文件是通过以下方式创建的：训练生成对抗网络，生成对抗网络包括生成神经网和判别神经网，并且从生成对抗网络形成模型，其中，模型生成针对具有精加工式样的现有服装的图像的激光输入文件。
通过考虑以下具体实施方式和附图，本发明的其他目的、特征和优点将变得明显，在附图中，相同的附图标记在所有附图中表示相同的特征。
附图说明
图1示出了用于利用激光经加工来创建、设计、生产服饰产品的系统的框图。
图2示出了包括激光的使用的精加工技术的流程。
图3示出了牛仔布面料的编织式样。
图4至图7示出了激光如何改变环染纱线的颜色。
图8示出了在两个精加工步骤中并使用基础模板进行精加工的流程。
图9示出了多个基础模板以及来自每个模板的多个所得的精加工产品。
图10示出了分布式计算机网络。
图11示出了可用于激光精加工的计算机系统。
图12示出了计算机系统的系统框图。
图13示出了使用生成对抗网络来生成针对服饰上的逼真磨损式样的激光输入文件的机器学习的框图。
图14示出了使用生成对抗网络来生成针对服饰上的逼真磨损式样的激光输入文件的机器学习的另一框图。
图15示出了通过样式(style)转换卷积网络进行卷积样式转换的技术。
图16示出了卷积样式转换的另一示例。
图17示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的条件生成对抗神经网络(cGAN)的更详细的系统图。
图18示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的条件生成对抗神经网络的单独的运算模块。
图19A至图19C示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的生成器的实施方式。
图20A至图20C示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的生成器的另一实施方式。
图21示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的判别器的实施方式。
图22示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的损失结构的总体框图。
具体实施方式
图1示出了用于制造诸如牛仔裤之类的服饰的工艺流程101，其中使用激光来对服装进行精加工。用于各种服饰(包括牛仔裤)的面料或材料由天然纤维或合成纤维106或它们的组合制成。面料研磨机获取纤维并加工109这些纤维以产生激光敏感精加工面料112，其具有对激光精加工的增强的响应特性。
天然纤维的一些示例包括：棉、亚麻、大麻、剑麻、黄麻、洋麻和椰子；动物来源的纤维，包括丝绸、羊毛、羊绒和马海毛。合成纤维的一些示例包括：聚酯、尼龙、氨纶或弹性纤维、以及其他聚合物。半合成纤维的一些示例包括：人造丝、粘胶纤维、莫代尔纤维和莱赛尔纤维，其由再生纤维素纤维制成。面料可以是单独的天然纤维(例如，棉)、单独的合成纤维(例如，单独的聚酯)、天然纤维和合成纤维的混合物(例如，棉和聚酯混合物，或棉和氨纶)、或天然纤维和半合成纤维的混合物、或这些或其他纤维的任何组合。
对于牛仔裤，面料通常是牛仔布，其是坚固的棉经面纺织品，其中纬纱在两根或更多根经线下穿过。这种斜纹编织产生斜条纹。纱线(例如，经纱线)使用靛蓝或蓝色染料进行染色，这是蓝色牛仔裤的特征。
尽管本专利关于牛仔裤描述了服饰处理和精加工，但是本发明不限于牛仔裤或牛仔布产品，例如，衬衫、短裤、夹克、背心和裙子。所描述的技术和方法适用于其他服饰和产品，包括非牛仔布产品以及由针织材料制成的产品。一些示例包括：T恤、毛衣、外套、运动衫(如连帽衫)、休闲服、运动服、外套、连衣裙、晚装、睡衣、家居服、内衣、袜子、包、背包、制服、雨伞、泳装、床单、围巾等。
制造商创建其产品的设计115(设计I)。该设计可以用于特定类型的衣服或服装(例如，男士或女士牛仔裤或夹克)、服装的尺寸(例如，小号、中号或大号，或腰围尺寸和内缝长度)、或其他设计特征。可以通过用于形成式样片段的式样或切割来指定设计。基于该设计选择并式样化和切割118面料。式样片段通常通过缝纫一起组装121在服装中，但是可以使用其他技术连接在一起(例如，铆钉、纽扣、拉链、箍和环、粘合剂、或将面料和材料连接在一起的其他技术和结构)。
一些服装可以在组装之后完成并准备出售。然而，其他服装未精加工122并且具有额外的精加工124(其包括激光精加工)。精加工可以包括染色、水洗、软化和固定。对于做旧牛仔布产品，精加工可包括使用激光根据设计127(设计II)产生磨损式样。激光精加工的一些额外细节在2016年8月19日递交的美国专利申请62/377,447以及2017年8月21日递交的美国专利申请15/682,507(2018年8月21日批准为美国专利10,051,905)中有所描述，这些专利申请以及本申请中引用的所有其他参考文献通过引用结合于此。
设计127用于服装的后组装方面，而设计115用于服装的预组装方面。在精加工之后，精加工产品130(例如，一条牛仔裤)完成并准备出售。精加工产品被库存和分发133，交付到商店136，并出售给消费者或顾客139。消费者可以购买和穿着磨损蓝色牛仔裤而不必自己穿破牛仔裤，这通常需要花费大量的时间和精力。
传统上，为了生产做旧牛仔布产品，精加工技术包括干式磨损、湿式加工、氧化或其他技术、或这些技术的组合，以加速材料的磨损以便产生期望的磨损式样。干式磨损可包括喷砂或使用砂纸。例如，面料的一些部分或局部区域被打磨以磨损面料表面。湿式加工可包括在水中水洗、用氧化剂(例如，漂白剂、过氧化物、臭氧或高锰酸钾)水洗、用氧化剂喷涂、用研磨剂(例如，浮石、石头或砂砾)水洗。
这些传统精加工方法花费时间、产生费用、以及由于利用资源并产生废物而影响环境。期望减少水和化学品的使用，这可以包括消除使用诸如高锰酸钾和浮石之类的药剂。对这些传统精加工方法的替代方案是激光精加工。
图2示出了包括使用激光器207的精加工技术。激光器是一种基于电磁辐射的受激发射来通过光学放大过程发光的设备。激光器用于条形码扫描、医疗过程(例如，矫正眼科手术)和工业应用(例如，焊接)。用于服装精加工的一种特定类型的激光器是二氧化碳激光器，其发射红外辐射束。
激光器由输入文件210和控制软件213控制，以在特定时间量内以特定功率水平将激光束发射到面料上的特定方位或位置处。此外，可以根据波形(例如具有特定频率、周期、脉冲宽度或其他特性的脉冲波)来改变激光束的功率。激光器的可被控制的一些方面包括占空比、频率、标记或烧灼速度和其他参数。
占空比是激光发射时间的百分比。占空比百分比的一些示例包括40％、45％、50％、55％、60％、80％和100％。频率是激光脉冲频率。低频率可以是例如5千赫兹，而高频率可以是例如25千赫兹。通常，较低频率将比较高频率具有更高的表面穿透性，较高频率具有较小表面穿透性。
激光器像打印机那样动作，并将(由输入文件210指定的)磨损式样“打印”、“标记”或“烧制(burn)”在服装上。暴露于激光束(例如，红外光束)的面料改变颜色，基于激光功率、暴露时间和所使用的波形使面料在指定位置变淡一定量。激光器从一个位置继续到另一位置，直到磨损式样完全印在服装上为止。
在特定实施方式中，激光器具有约34点每英寸(dots per inch，dpi)的分辨率，其在服装上为约0.7毫米每像素。本专利中描述的技术不依赖于激光的分辨率，并且对于具有比34点每英寸更大或更小的分辨率的激光器都将有效。例如，激光器可以具有10、15、20、25、30、40、50、60、72、80、96、100、120、150、200、300或600点每英寸点每英寸的分辨率，或者比这些或其他值中的任何一者更大或更小的分辨率。通常，分辨率越高，在单遍(pass)中可以打印在服装上的特征越精细。通过多遍(例如，2、3、4、5或更多遍)使用激光器，可以提高有效分辨率。在实施方式时，使用多遍激光器。
利用靛蓝染料来对牛仔裤染色，从而产生蓝色的面料。蓝色是由面料中留住(trapped)的将光反射为蓝色的发色团引起的。2016年12月13日递交的美国专利申请62/433,739(通过引用结合于此)描述了一种对激光精加工具有增强响应特性的牛仔布材料。使用由靛蓝环染色纱线制成的牛仔布材料，通过使用激光器实现了靛蓝色差中的高低变化。
图3示出了牛仔布面料326的编织式样。织布机进行编织。在编织时，经纱是卷成一卷的纵向或经向的纱线或线，而纬纱或纬线是横向线。纬纱线被牵引经过经纱线以形成面料。在图3中，经纱沿第一方向335(例如，南北向)延伸，而纬纱沿方向337(例如，东西向)延伸。纬纱被示为跨纬纱呈之字形的连续纱线(例如，由织布机的梭子或剑杆携带跨越)。替代地，纬纱可以是分开的纱线。在一些特定实施方式中，经纱线具有与纬纱线不同的重量或厚度。例如，经纱线可以比纬纱线更粗糙。
对于牛仔布，染色纱线用于经纱，而未染色的或白色的纱线通常用于纬纱线。在一些牛仔布面料中，纬纱线可以被染色并具有除白色以外的颜色，例如红色。在牛仔布编织中，纬纱经过两根或更多根经纱线下方。图3示出了纬纱经过两根经纱线下方的编织。具体地，面料编织称为2×1右手斜纹布(right-hand twill)。对于右手斜纹布，对角线的方向是从左下到右上。对于左手斜纹布，对角线的方向是从右下到左上。但在其他牛仔布编织中，纬纱可经过不同数量的经纱线下方，例如，3、4、5、6、7、8或更多根经纱线。在其他实施方式中，牛仔布为3×1右手斜纹布，这意味着纬纱经过三根经纱线下方。
由于该编织，面料的一侧暴露出更多的经纱线(例如，经面的一侧)，而另一侧暴露出更多的纬纱线(例如，纬面的一侧)。当经纱线为蓝色而纬纱线为白色时，编织的结果是经面的一侧将看起来主要是蓝色的，而相反的一侧(纬面的一侧)将看起来主要是白色的。
在牛仔布中，经纱通常为100％棉的。但一些经纱线可以与例如氨纶(elastane)混纺以实现经纱拉伸。并且用于其他面料的一些纱线可以包含其他纤维，例如，聚酯(polyester)或氨纶。
在靛蓝环染纱线中，靛蓝不完全渗透到纱线的芯(core)中。而是，靛蓝染料被施加在棉纱线的表面并向纱线的内部扩散。因此，当从截面看纱线时，靛蓝染色材料将看起来像纱线的外边缘周围的环。靛蓝染料的色调通常随着从纱线表面到纱线中心(或芯)的距离的增加而梯度变浅。
在激光精加工期间，激光去除选定量的靛蓝染色纱线(例如，蓝色)的表面，以显露环染纱线的内芯的较浅颜色(例如，白色)。被去除的靛蓝染色材料越多，则颜色越浅(例如，蓝色颜色深浅越浅)。保留的靛蓝染色材料越多，则颜色越深(例如，蓝色颜色深浅越深)。激光器可以被精确地控制以去除期望量的材料，以在材料上的期望的地方或位置处获得期望的蓝色颜色深浅。
利用激光精加工，可以将饰面施加(例如，通过激光器进行打印或烧制)到服饰(例如，牛仔裤和牛仔服装)上，该饰面与使用传统加工技术(例如，干磨、湿法处理和氧化)获得的饰面类似或不可区分。与传统精加工技术相比，服饰的激光精加工成本更低并且速度更快，并且还减少了对环境的影响(例如，消除使用刺激性的化学试剂并减少废弃物)。
图4至图7示出了激光器如何更改环染纱线的颜色。图4示出了激光束407冲击环染纱线413，该环染纱线413具有靛蓝染色纤维418和白色芯纤维422。激光器去除染色纤维，这可以通过经由激光束引起的热量或高温来蒸发或以其他方式破坏棉纤维来实现。
图5示出了激光器使用第一功率水平设置或第一暴露时间设置或它们的组合来去除一些染色纤维，但不显露任何白色芯纤维。未染色纤维保持被覆盖。没有颜色变化。
图6示出了激光器使用第二功率水平设置或第二暴露时间设置或它们的组合来去除比图5中更多的染色纤维。第二功率水平大于第一功率水平，或者第二暴露时间设置大于第一暴露时间设置，或者这些项的组合。结果是一些未染色纤维被显露。存在颜色变化，细微高光。
图7示出了激光使用第三功率水平设置或第三暴露时间设置或它们的组合来去除比图6中的更多的染色纤维。第三功率水平大于第二功率水平，或者第三暴露时间设置大于第二暴露时间设置，或者这些项的组合。结果是更多的未染色纤维被显露。存在颜色变化，更亮高光。
如图2所示，在激光器207之前，可以为激光器准备216面料，这可以被称为基础准备，并且可以包括激光前清洗。此步骤有助于改善激光器的结果。在激光器之后，可以进行激光后清洗219。这次清洗可以清洁或去除由激光器造成的任何残留物，例如，去除任何碳化物(碳化物看起来将是棕色的或者略微烧焦的)。可以有额外的精加工221(可包括着色、软化或固定)来实现精加工。
图8示出了一种技术，其中精加工124被分为两个精加工步骤(精加工I和精加工II)。精加工I 808是初始精加工，以创建基础模板811。利用精加工II 814，每个基础模板可用于制造多个最终饰面817。
图9示出了多个基础模板，基础A、基础B和基础C。这些基础模板可以称为基础版型面料或BFF。在实施方式中，可以在基础准备和激光前清洗216期间创建基础模板(参见图2)。在精加工I期间，通过使用不同的清洗216方法或配方，可以创建各个不同的基础模板。
精加工II可以包括激光精加工。利用不同的设计对基础A进行激光处理，以获得基于基础A的各种最终产品(例如，FP(A)1至FP(A)i，其中i为整数)。利用不同的设计对基础B进行激光处理，以获得基于基础B的各种最终产品(例如，FP(B)1至FP(B)j，其中j为整数)。利用不同的设计对基础C进行激光处理，以获得基于基础C的各种最终产品(例如，FP(C)1至FP(C)k，其中k为整数)。每个基础都可用于获得许多不同的最终设计。例如，整数i、j和k可以具有不同的值。
如上所述并且如图2所示，在精加工II之后，在激光后清洗219和附加精加工221期间可以进行附加精加工。例如，在激光后清洗期间，可以对经激光处理的服装进行额外的着色(tinting)。该着色可以产生整体色偏校正(color cast)，从而改变服装的外观。
在实施方式中，使用激光精加工来从同一面料模板或BFF或“坯料”容易地且快速地创建许多不同的饰面(每个饰面是不同产品)。对于每种面料，将存在许多基础版型面料。这些基础版型面料被激光处理以产生许多不同的饰面，每种饰面是生产线的不同产品。激光精加工允许更高的效率，因为通过使用面料模板(或基础版型面料)可以使用单个面料或材料来针对生产线创建许多不同产品(比传统工艺所能提供的更多)。这减少了不同面料和精加工原料的库存。
对于特定产品(例如，511产品)，可以有两种不同的面料，例如图9的基础B和基础C。面料可以是面料工具套件的一部分。对于基础B，有多个基础版型面料，FP(B)1、FP(B)2等。使用激光精加工，可以使用基础版型面料(例如，FP(B)1)来生产任何数量的不同饰面(例如，八个不同的饰面)，每种饰面将被视为不同的产品型号。
例如，FP(B)1可以使用不同的激光文件(例如，激光文件1、激光文件2、激光文件3等)来进行激光精加工，或具有不同的激光后清洗(例如，激光后清洗配方1、激光后清洗配方2、激光后清洗配方3等)，或这些项的任意组合。第一产品是使用激光文件1进行激光处理并使用激光后清洗配方1清洗的基础版型面料FP(B)1。第二产品是使用激光文件2进行激光处理并使用激光后清洗配方1清洗的基础版型面料FP(B)1。第三产品是使用激光文件2进行激光处理并使用激光后清洗配方2清洗的基础版型面料FP(B)1。并且可存在基于同一基础版型面料的多得多的产品。每个产品可以具有不同的产品标识符或唯一标识符，例如，不同的PC9或九位数字产品代码。
利用激光精加工，针对每个基础版型面料或坯料生产许多产品或PC9。与传统工艺相比，这在使用较少不同的面料和饰面来提供更多数量的不同产品方面是显著的改进(在传统工艺中，每种面料或饰面消耗资源、增加成本并花费时间)。减少了库存。提供基础版型饰面或面料来进行激光精加工的技术具有显著的且许多的益处。
结合激光精加工的系统可以包括用于控制或监测操作、或两者的计算机。图10示出了作为激光精加工系统的组件的计算机的示例。该计算机可以是连接到系统的单独的单元，或者可以嵌入在系统的电子设备中。在实施例中，本发明包括在计算机工作站系统或服务器上执行的软件，如图10所示。
图10是结合本发明的实施例的分布式计算机网络1000的简化框图。计算机网络1000包括经由多个通信链路1028耦合到通信网络1024的多个客户端系统1013、1016和1019，以及服务器系统1022。通信网络1024提供了用于允许分布式网络1000的各个组件相互通信和交换信息的机制。
通信网络1024本身可以包括许多互连的计算机系统和通信链路。通信链路1028可以是硬连线链路、光学链路、卫星或其他无线通信链路、波传播链路、或用于传送信息的任何其他机制。通信链路1028可以是DSL、电缆、以太网或其他硬连线链路、无源或有源光学链路、3G、3.5G、4G和其他移动、卫星或其他无线通信链路、波传播链路、或用于传送信息的任何其他机制。
可以使用各种通信协议来促进图10所示的各种系统之间的通信。这些通信协议可以包括VLAN、MPLS、TCP/IP、隧道、HTTP协议、无线应用协议(WAP)、特定于供应商的协议、定制协议等。虽然在一个实施例中，通信网络724是互联网，但在其他实施例中，通信网络724可以是任何合适的通信网络，包括局域网(LAN)、广域网(WAN)、无线网、内联网、专用网、公共网、交换网、以及这些项的组合等。
图10中的分布式计算机网络1000仅是结合本发明的实施例的说明，并不限制如在权利要求中所述的本发明的范围。本领域普通技术人员将认识到其他变型、修改和替代方案。例如，不止一个服务器系统1022可以连接到通信网络1024。作为另一示例，多个客户端系统1013、1016和1019可以经由访问提供商(未示出)或经由一些其他服务器系统来耦合到通信网络1024。
客户端系统1013、1016和1019通常从提供信息的服务器系统请求信息。出于这个原因，服务器系统通常比客户端系统具有更多的计算和存储容量。然而，取决于计算机系统是请求还是提供信息，特定计算机系统可以用作客户端或服务器二者。另外，尽管已经使用客户端-服务器环境描述了本发明的各方面，但应该明显的是，本发明还可以体现在独立的计算机系统中。
服务器1022负责接收来自客户端系统1013、1016和1019的信息请求、执行满足请求所需的处理、以及将对应于请求的结果转发回进行请求的客户端系统。满足请求所需的处理可以由服务器系统1022执行，或者可以替代地委托给连接到通信网络1024的其他服务器。
客户端系统1013、1016和1019使得用户能够访问和查询由服务器系统1022存储的信息。在特定实施例中，客户端系统可以作为独立应用来运行，例如，桌面应用、或移动智能电话、或平板电脑应用。在另一实施例中，在客户端系统上执行的“网络浏览器”应用使得用户能够选择、访问、检索或查询由服务器系统1022存储的信息。网络浏览器的示例包括Microsoft Corporation提供的Internet Explorer浏览器程序、Mozilla提供的Firefox浏览器、Google提供的Chrome浏览器、Apple提供的Safari浏览器等。
在客户端-服务器环境中，一些资源(例如，文件、音乐、视频或数据)存储在客户端处，而其他资源从网络中的其他地方(例如，服务器)存储或传送，并且可通过网络(例如，互联网)访问。因此，用户的数据可以存储在网络或“云”中。例如，用户可以在客户端设备上处理远程地存储在云(例如，服务器)上的文档。客户端设备上的数据可以与云同步。
图11示出了本发明的示例性客户端或服务器系统。在实施例中，用户通过计算机工作站系统与系统相接口，如图11所示。图11示出了计算机系统1101，其包括监视器1103、屏幕1105、外壳1107(也可以称为系统单元、机壳或壳体)、扬声器(未示出)、键盘或其他人类输入设备1109、以及鼠标或其他指针设备1111。鼠标1111可以具有一个或多个按钮，例如，鼠标按钮1113。
应当理解，本发明不限于特定形状因子(例如，台式计算机形状因子)中的任何计算设备，而是可以包括各种形状因子的所有类型的计算设备。用户可以与任何计算设备相接口，包括智能电话、个人计算机、膝上型计算机、电子平板设备、全球定位系统(GPS)接收器、便携式媒体播放器、个人数字助理(PDA)、其他网络接入设备、以及能够接收或发送数据的其他处理设备。
例如，在具体实施方式中，客户端设备可以是智能电话或平板设备，例如，AppleiPhone(例如，Apple iPhone 8、iPhone XS、iPhone XS MAX)、Apple iPad(例如，AppleiPad、Apple iPad Pro或Apple iPad mini)、Apple iPod(例如，Apple iPod Touch)、Samsung Galaxy产品(例如，Galaxy S系列产品或Galaxy Note系列产品)、Google Nexus和Pixel设备(例如，Google Nexus 6、Google Nexus 7或Google Nexus 9)和Microsoft设备(例如，Microsoft Surface平板电脑)。通常，智能电话包括电话部分(和相关联的无线电)和计算机部分，它们可通过触摸屏显示器来访问。
存在用于存储电话部分的数据(例如，联系人和电话号码)和计算机部分的数据(例如，应用程序(包括浏览器)、图片、游戏、视频和音乐)的非易失性存储器。智能电话通常包括用于拍摄照片和视频的相机(例如，前置相机或后置相机、或两者)。例如，智能电话或平板电脑可用于拍摄实时视频，其可以流式传输到一个或多个其他设备。
外壳1107容纳熟悉的计算机组件(其中一些未示出)，例如，处理器、存储器、大容量存储设备1117等。大容量存储设备1117可以包括大容量磁盘驱动器、软盘、磁盘、光盘、磁光盘、固定盘、硬盘、CD-ROM、可记录CD、DVD、可记录DVD(例如，DVD-R、DVD+R、DVD-RW、DVD+RW、HD-DVD、或蓝光光盘)、闪存和其他非易失性固态存储装置(例如，USB闪存驱动器或固态驱动器(SSD))、电池备份的易失性存储器、磁带存储装置、读取器、和其他类似介质、以及这些介质的组合。
本发明的计算机实现的或计算机可执行的版本或计算机程序产品可以使用计算机可读介质来实现、存储在计算机可读介质上、或与计算机可读介质相关联。计算机可读介质可以包括参与向一个或多个处理器提供指令以供执行的任何介质。这种介质可以采用许多形式，包括但不限于非易失性、易失性和传输介质。非易失性介质包括例如闪存、或光盘或磁盘。易失性介质包括静态或动态存储器，例如，缓存存储器或RAM。传输介质包括布置在总线中的同轴电缆、铜线、光纤线和电线。传输介质还可以采用电磁、射频、声波或光波的形式，例如，在无线电波和红外数据通信期间生成的那些。
例如，本发明的软件的二进制、机器可执行版本可以存储或驻留在RAM或缓存存储器中，或者大容量存储设备1117上。本发明的软件的源代码也可以存储或驻留在大容量存储设备1117(例如，硬盘、磁盘、磁带或CD-ROM)上。作为另一示例，本发明的代码可以通过有线、无线电波、或通过诸如互联网之类的网络来传输。
图12示出了用于执行本发明的软件的计算机系统1101的系统框图。如图11所示，计算机系统1101包括监视器1103、键盘1109和大容量存储设备1117。计算机系统1101还包括子系统，例如，中央处理器(CPU)1202、系统存储器1204、输入/输出(I/O)控制器1206、显示器适配器1208、串行或通用串行总线(USB)端口1212、网络接口1218和图形处理器(GPU)1220、现场可编程门阵列(FPGA)1225、以及专用处理器228(例如ASIC、物理处理器、数字信号处理器(DSP)、或其他处理器)。本发明还可以与具有附加的或更少的子系统的计算机系统一起使用。例如，计算机系统可以包括一个以上的处理器1202(即多处理器系统)，或者系统可以包括缓存存储器。
计算机系统可以包括任何数量的图形处理器。图形处理器可以驻留在主板上，例如，与主板芯片组相集成。一个或多个图形处理器可以驻留在通过总线(例如，ISA总线、PCI总线、AGP端口、PCI Express、或其他系统总线)连接到系统的外部板上。图形处理器可以位于单独的板上，每个板连接到诸如PCI Express总线之类的总线，并且彼此连接并连接到系统的其余部分。此外，可以存在单独的总线或连接(例如，Nvidia SLI或ATI CrossFire连接)，图形处理器可以通过该单独的总线或连接彼此进行通信。该单独的总线或连接可以相对于系统总线附加地使用或代替系统总线使用。
处理器(CPU或GPU、或两者)可以是双核或多核处理器，其中，在单个集成电路上存在多个处理器核。系统还可以是分布式计算环境的一部分。在分布式计算环境中，单独的计算系统连接到网络，并可根据需要将计算资源借给网络中的另一系统。网络可以是内部以太网网络、互联网或其他网络。可以在通过网络连接的多个不同的机器上利用多个处理器(例如，以任何方式组合的CPU、GPU、FPGA和其他专用处理器)。这些并行执行计算的机器可以使用被称为“云计算”的范例通过互联网(或云)来连接。
诸如1222之类的箭头表示计算机系统1101的系统总线架构。然而，这些箭头图示用于链接子系统的任何互连方案。例如，GPU 1220可以通过端口连接到其他子系统，或者具有到中央处理器1202的内部直接连接。处理器可以包括多个处理器或多核处理器，其可以允许信息的并行处理。图12中所示的计算机系统1101只是适用于本发明的计算机系统的示例。适用于本发明的子系统的其他配置对于本领域普通技术人员来说是明显的。
计算机软件产品可以用各种合适的编程语言中的任何一种来编写，例如，C、C++、C#、Pascal、Fortran、Perl、Matlab(来自MathWorks，www.mathworks.com)、SAS、SPSS、JavaScript、AJAX、Java、Python、Erlang和Ruby on Rails。计算机软件产品可以是具有数据输入和数据显示模块的独立应用。替代地，计算机软件产品可以是可实例化为分布式对象的类。计算机软件产品还可以是组件软件，例如，Java Beans(来自Oracle Corporation)或Enterprise Java Beans(来自Oracle Corporation的EJB)。
系统的操作系统可以是下列项之一：Microsoft
Figure BDA0002558377000000181
系列系统(例如，Windows 95、98，Me、Windows NT、Windows 2000、Windows XP、Windows XP x64版本、Windows Vista、Windows 7、Windows 8、Windows 10、Windows CE、Windows Mobile、Windows RT)、Symbian OS、Tizen、Linux、HP-UX、UNIX、Sun OS、Solaris、Mac OS X、AppleiOS、Android、Alpha OS、AIX、IRIX32或IRIX64。可以使用其他操作系统。MicrosoftWindows是Microsoft Corporation的商标。
本专利中使用的任何商标或服务标记均为其各自所有者的财产。本专利中的任何公司、产品或服务名称仅用于标识目的。使用这些名称、徽标和品牌并不意味着认可。
此外，计算机可以连接到网络，并且可以使用该网络与其他计算机连接。网络可以是内联网、互联网或因特网等。网络可以是有线网络(例如，使用铜)、电话网络、分组网络、光网络(例如，使用光纤)、或无线网络、或这些项的任何组合。例如，可以使用如下协议来使用无线网络在本发明的计算机和系统组件(或步骤)之间传递数据和其他信息：例如，Wi-Fi(IEEE标准802.11、802.11a、802.11b、802.11e、802.11g、802.11i、802.11n、802.11ac和802.11ad，仅举几个例子)、近场通信(NFC)、射频识别(RFID)、移动或蜂窝无线(例如，2G、3G、4G、3GP LTE、WiMAX、LTE、LTE高级、Flash-OFDM、HIPERMAN、iBurst、EDGE演进、UMTS、UMTS-TDD、lxRDD和EV-DO)。例如，来自计算机的信号可以至少部分地无线传输到组件或其他计算机。
在实施例中，利用在计算机工作站系统上执行的网络浏览器，用户通过诸如互联网之类的网络来访问万维网(WWW)上的系统。网络浏览器用于以各种格式(包括HTML、XML、文本、PDF和附言)下载网页或其他内容，并且可用于将信息上载到系统的其他部分。网络浏览器可以使用统一资源标识符(URL)来标识网络上的资源，并且使用超文本传输协议(HTTP)在网络上传输文件。
在其他实施方式中，用户通过本机和非本机应用之一或两者来访问系统。本机应用本地安装在特定计算系统上，并且特定于该计算系统的操作系统或一个或多个硬件设备，或这些项的组合。这些应用(有时也称为“app”)可以通过直接互联网升级修补机制或通过应用商店(例如，Apple iTunes和App商店、Google Play商店、Windows Phone商店、以及Blackberry App World商店)进行(例如，定期地)更新。
该系统可以在与平台无关的非本机应用中运行。例如，客户端可以使用与一个或多个服务器的网络连接来从一个或多个服务器通过网络应用访问系统，并在网络浏览器中加载网络应用。例如，可以由网络浏览器通过互联网从应用服务器下载网络应用。非本机应用也可以从其他来源获得，例如，磁盘。
在服饰设计中使用机器学习，以在服饰上创建逼真的式样和设计(例如，磨损式样)。逼真呈现式样(realistic appearing pattern)是指人们无法(或将很难)将其判别为伪造(fake)(例如，由计算机人工生成或制造)的式样。
机器学习是计算机科学尤其是人工智能(AI)的领域，它使计算机能够自动学习并从经验中进行改进，而无需进行明确的编程。机器学习可以利用人工神经网络(或简称为神经网)，其基于一组称为人工神经元的连接单元。
机器学习算法可以分类为有监督或强化学习类型算法。有监督机器学习算法可以使用标记示例将过去所学的知识应用于新数据，以预测未来事件。从对已知训练数据集的分析开始，学习算法产生推断函数，以对输出值进行预测。在充分训练之后，系统可以提供针对任何新输入的目标。学习算法还可以将其输出与正确的预期输出进行比较并发现误差，以便相应地修改模型。
当用于训练的信息既未被分类也未被标记时，使用无监督机器学习算法。无监督学习研究系统如何推断用于描述来自未标记数据的隐藏结构的函数。系统不找出正确输出，但它探索数据并可以从数据集中得出推论，以描述来自未标记数据的隐藏结构。
在实施方式中，用于服饰设计的机器学习和人工神经网络计算在包括一个或多个专用处理单元的硬件系统、或软件系统、或其组合上执行。专用处理单元的示例包括中央处理器(CPU)、图形处理单元(GPU)、物理处理器、单元处理器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。用于服饰设计的神经计算任务的部分可以转换为数学操作的形式。GPU可能特别适合执行此类操作。
在本申请中，GPU被用作专用处理器的示例，但这不意图将本专利的教导的范围限制于GPU。神经网可以利用任何前面提到的专用处理器、本领域普通技术人员可以理解的其他基本相似的处理器、以及以后可开发的相似或相关的处理器。促进神经网的接口可以是下列项中的至少一项：PCI Express总线、AGP总线、前端总线、以太网、互联网、或促进以任何形式(包括串行或并行)传输数据的其他接口。
替代硬件配置包括专用处理单元的协作集合，其中，每个处理单元可特别适用于特定类型的计算。此硬件配置将在本文定义为“异构配置”，表示各种计算任务由不同的(通常是专用的)处理器执行。例如，GPU专为高吞吐量设计，用于处理图形处理中发现的特定类型的问题，这些问题需要大量算术计算和相对少量的存储器访问步骤。其他专用处理器可以设计用于处置其他类型的数据或计算问题。将神经网计算的各个部分分配给专用处理器可以改进吞吐量、提高效率、降低成本、以及改善计算结果。
GPU可被设计用于快速图形处理。数据可被组织成流，其中，流是同一数据类型的有序数据集。可应用于整个数据流的操作、过程、方法、算法等通常称为内核。内核非常高效，因为它们仅取决于其输入。内核中的内部计算独立于流的其他元素。因此，GPU可设计用于并行处理、存储器效率、以及高吞吐量(针对特定问题)。
GPU通常具有可针对某些类型的问题专门设计的硬件块(例如，可以在硬件中实现特定内核)。作为示例，硬件块可以被设计用于实现各种类型的向量或矩阵计算、或两者。例如，图形数据通常是四维的，涉及红色、绿色和蓝色像素的通道值(称为RGB)以及不透明度值(通常称为阿尔法(alpha)或A)。因此，GPU已被设计为非常快速且非常高效地处理图像(例如，四维(RGBA)数据)。
图13示出了使用生成对抗网络(GAN)1303来生成针对服饰上的逼真磨损式样的激光输入文件的机器学习的框图。在实施方式中，生成对抗网络在具有多个图形处理器的系统上执行。图形处理器或GPU提高吞吐量，例如，用于训练作为生成对抗网络的一部分的神经网，以及用于基于训练生成模型。
应当理解，本发明不限于所呈现的特定流程和步骤。本发明的流程可以具有附加步骤(不一定在本专利中描述)、替换所呈现的一些步骤的不同步骤、所呈现的步骤的更少步骤或子集、或按照不同于所呈现的顺序的步骤、或这些项的任何组合。此外，本发明的其他实施方式中的步骤可以不与所呈现的步骤完全相同，并且可以针对特定应用或基于数据或情况进行适当地修改或改变。
生成对抗网络是一种通常包含某种形式的无监督机器学习的架构。生成对抗网络包括至少两个神经网络。第一网络可以被称为生成(G)神经网络1304，并且生成候选者1307。第二网络(可被称为判别(D)神经网络1309)评估由第一网络生成的候选者。生成神经网试图合成伪造(fake)图像，这些伪造图像欺骗判别神经网，使其认为这些图像是实际的激光输入文件而不是伪造的。
在特定实施方式中，生成神经网的输入是具有包括已知激光输入文件的样本精加工式样的服装的图像。已知激光输入文件可以被称为真实数据。通过采取服装的样本图像，生成神经网生成激光输入文件候选者。这些生成的激光输入文件候选者可以被称为伪造数据。
通过输入具有各种式样和设计的激光输入文件1312的图像以及将这些激光输入文件烧制到服饰(例如，牛仔裤)1316上的结果的图像，来训练生成对抗网络。随着时间的推移，通过来自更大量的输入文件的更多训练，生成神经网在生成能够欺骗判别神经网的激光输入文件候选者方面变得更加出色。
用于训练生成对抗网络的样本数据量可能不同，例如，多于100个样本、多于200个样本、多于300个样本、多于500个样本、多于800个样本、多于900个样本、或多于1000样本。通常，样本数量越多，生成对抗网络将被训练的越好。在实施方式中，可以采取约900个样本，这意味着有900个激光输入文件(真实数据)被用于将900个不同的精加工式样激光处理到例如牛仔裤上。可以通过各种图像处理或图像操纵技术(例如，使图像变亮或变暗)来进一步增加真实数据样本的量。样本和图像操纵样本可以用作生成对抗网络的真实数据。
一些文件被描述为图像文件类型。图像文件类型或文件格式的一些示例包括位图或光栅图形格式，包括IMG、TIFF、EXIF、JPEG、GIF、PNG、PBM、PGM、PPM、BMP和RAW。文件的压缩可以是无损的(例如，TIFF)或有损的(例如，JPEG)。其他图像文件类型或文件格式包括矢量图形，包括DXF、SVG等。
位图或光栅图形与分辨率有关，而矢量图形与分辨率无关。光栅图形通常不能在不损失表观质量的情况下扩展到任意分辨率。此属性与矢量图形的能力形成对比，矢量图形通常容易地缩放到渲染它们的设备的质量。
光栅图形图像是点矩阵数据结构，表示可通过监视器、纸张或其他显示介质查看的大致矩形的像素网格、或颜色点。位图(例如，一位光栅)与在屏幕或输出介质上显示的图像逐位对应。光栅的特征在于图像的宽度和高度(以像素为单位)以及每像素的位数(或色深，这决定了它可以表示的颜色数量)。
BMP文件格式是位图的示例。BMP文件格式(也称为位图图像文件或与设备无关的位图(DIB)文件格式，或简称为位图)是一种光栅图形图像文件格式，用于存储位图数字图像而与显示设备无关。BMP文件格式能够以各种颜色深度存储任意宽度、高度和分辨率(单色和彩色二者)的二维数字图像，并可选地具有数据压缩、阿尔法(alpha)通道和颜色配置文件。
生成神经网生成激光输入文件并合成图像以对所提供的磨损式样(无激光输入文件)进行近似。判别神经网评估每个生成的候选者。当所生成的图像与给定图像(无激光输入文件)相比表现为照片般逼真(或非伪造)时，生成对抗网络已为先前不存在的设计创建或提取了激光输入文件。
然后，使用来自生成神经网和判别神经网的信息来生成1323模型1329。该模型可以用于生成针对具有磨损式样的服饰1357的给定图像的激光输入文件1352，其中，结果对于判别神经网将表现为是逼真的。
在特定实施方式中，模型被赋予具有磨损式样的复古服装的图像。通常，没有针对复古服装的激光输入文件，因为复古服装上的磨损式样是通过长期穿着造成的。像LeviStrauss&Co.这样的牛仔裤制造商已生产出具有各种磨损式样的许多牛仔裤。制造商有许多现有的磨损式样设计，其中可包括复古磨损式样。一些磨损式样被称为真正磨损式样，其是长期穿着的结果。例如，牛仔或女牛仔在牧牛、骑车、参加竞技表演等时可能穿着牛仔裤。矿工在勘探金矿、开采煤炭、挖掘洞穴、乘矿车等时可能穿着牛仔裤。工人穿着牛仔裤工作一段时间(例如，五年或更长时间)而不清洗它们的结果将是真正磨损式样。
服饰制造商希望在服装上复制这些现有的、复古、或真正磨损式样设计(或这些设计的部分或特征)。可以使用激光系统以加速的方式在新服装上重现磨损式样，使得不需要花费数年来生产服装。
一种方法是扫描或拍摄具有磨损式样的现有服装的照片。然后，使用此扫描或照片创建反色灰度图像。利用经转换的图像，激光器将磨损式样打印(或烧制)在另一服装上。然而，这种方法的结果通常是非常差地重现原始磨损式样。所产生的磨损式样通常看起来不逼真，通常看起来很平坦(其中，着色的高点和低点看起来被压缩)。
存在一些原因导致这种方法行不通。一个原因是原始服装和新服装的材料不同。激光器没有针对进行烧制的材料的特性而被特定地配置。扫描过程或照片可能不是正确的输入文件而无法控制激光器准确地烧制式样。
重新创建磨损式样的另一方法是使用照片编辑工具(例如，Adobe Photoshop)来增强对现有式样的扫描(例如，通过手工编辑或手绘)。编辑过程可以使用计算机、键盘、鼠标、或手写平板电脑输入设备(例如，Wacom平板电脑)、或这些的任意组合。由于涉及大量的手工编辑，因此该过程通常很耗时。
因此，期望获得或提取针对该复古服装的激光输入文件，从而可以通过激光精加工来更容易地重现复古磨损式样。因此，使用(通过生成对抗网络创建的)模型来生成针对该复古服装的激光输入文件输出。然后通过激光精加工，激光器可以将激光输入文件烧制到牛仔裤模板上，以重新创建复古服装磨损式样。使用图13中和上面描述的方法，激光器可以比此前的任何方法都更快、更准确地重新创建磨损式样。
此外，为了操作和生成候选者，生成对抗网络具有随机性组件，该组件通常仅确保最终网络是以强健的方式训练的(例如，能够良好地推广到新输入)，并且该随机性组件可以被增加或减少。尽管由生成网络生成的候选者与给定图像相比可能不是照片般逼真的，但这些候选者可适合用作此前尚未生产或制造的新设计。这些候选者可以用作设计的起点以进行修改来创建新设计。因此，由于随机性组件(其可以被改变)，生成对抗网络可用于生成以前尚不存在的许多新设计。使用纯卷积神经网络架构的另一种技术允许通过将服装或其他艺术品的美学品质与另一图像的结构内容进行混合来创建新颖的服装。
图14示出了使用生成对抗网络(GAN)1462来生成针对服饰上的逼真磨损式样的激光输入文件的机器学习的另一框图。该系统类似于图13所示和上面描述的网络。存在生成神经网，其从具有包括已知激光输入文件的经激光处理的精加工式样的样本服装的图像生成激光输入文件候选者。已知激光输入文件可以被称为真实数据，而所生成的激光输入文件可以被称为伪造数据。
与图13相比，在该网络中，判别神经网1309被分为两个神经网，真实判别器1474和伪造判别器1476。存在两个损失分量，生成器损失1480(包括欧几里德(Euclidean)空间中的距离损失和GAN损失)以及判别器损失1483(包括真实判别器损失和伪造判别器损失)。生成器损失1480采取来自所生成的激光输入文件候选者1307(伪造数据)和激光输入文件数据1312(真实数据)的输入，并输出距离损失值以及来自伪造判别器的生成器损失。将这些输入到训练模型n次迭代1486组件。
判别器损失1483采取来自真实判别器1474(接收真实数据)和伪造判别器1476(接收伪造数据)的输入，并输出判别器损失值，该判别器损失值被输入到训练模型n次迭代1486。训练模型n次迭代1486的输出是模型1329。训练模型n次迭代1486在许多激光输入文件和所生成的激光输入文件候选者上进行迭代，直到基于生成器损失和判别器损失值的误差或损失被减小或最小化为止。当损失值减小到最小水平、期望水平或可接受水平时，可以使用该模型根据具有精加工的牛仔裤的给定图像来创建激光输入文件。可以通过人工判断或复查所生成图像的质量来确定可接受水平。
注意，生成器损失和判别器损失都考虑伪造数据。这是网络的对抗性方面。生成器试图产生更好的伪造来欺骗判别器，而判别器试图在检测伪造时改进自身。通过对抗训练，该系统改进其生成模型的能力，该模型用于生成针对具有精加工式样的服装的给定图像的激光输入文件。
简而言之，为了使用该系统，用户通过训练网络来获得模型。这涉及提供许多真实数据的示例作为输入。具体而言，真实数据将包括激光输入文件和激光精加工服饰的照片，这些激光精加工服饰是使用这些激光输入文件进行激光处理的结果。
还可以针对所生成的数据或伪造数据对该系统进行训练。这将包括来自生成神经网1304和生成候选者激光输入文件候选者1307的神经网络生成的激光输入文件。模型训练继续，直到所生成的激光输入文件的结果与真实的激光输入文件无法区分为止。也就是说，生成对抗网络无法区分服饰的图像是真实的还是伪造的。
此时，当给模型提供精加工服饰的照片(针对该精加工服饰的照片的激光输入文件不可用)时，模型将能够生成适当的激光输入文件以使用激光精加工获得该精加工服饰。
真实判别器的输入包括输入训练或样本照片或图像。判别器的输入包括来自生成神经网的所生成的照片。然后，通过策略性地组合三个损失度量(距离、判别器、以及生成器)来计算损失。这可以通过以下关系来完成(使用Python编程语言和Google的TensorFlow框架)：
discrim_loss＝tf.reduce_mean(-(tf.log(predict_real+EPS)+tf.log(l–predict_fake+EPS)))
gen_loss_GAN＝tf.reduce_mean(-tf.log(predict_fake+EPS))
gen_loss_Ll＝tf.reduce_mean(tf.abs(targets-outputs))
gen_loss＝gen_loss_GAN*a.gan_weight+gen_loss_Ll*a.ll_weight.
注意，生成器损失和判别器损失两者在关系中都具有“预测伪造(predict_fake)”损失。这意味着判别器和生成器两者都关心“伪造”图像或生成图像的质量。为了保持判别器损失“诚实(honest)”，该技术将辨别真实图像的能力作为考虑因素，并确保在将伪造称之为伪造时，可以仍正确地猜测从数据中采取的真实图像。为了保持生成器“诚实”，该技术强制生成器处理距离预期输出的实际欧几里得距离。因为存在训练真实判别器和伪造判别器两者的一个判别器损失函数，所以两者是相互依赖的；在没有对方的情况下，每个判别器可能变为有偏向的(biased)。类似的关系适用于生成器损失(例如，结合预测伪造(predict_fake)和距离损失)。
图15示出了使用卷积神经网络进行神经样式转换的技术。使用纯卷积神经网络架构的该技术允许通过将来自激光式样的美学品质与来自另一单独服装的形状因子(或拓扑)相混合，来创建新颖的服装。这些组合可以被混合和匹配以创建新颖的产品。
在上面的行1504中，样式图像(例如，Vincent van Gogh的Starry Nights)与输入图像(例如，沿河房屋的照片)相组合，并且来自卷积神经网络的输出是具有转换样式的图像(例如，具有Starry Nights样式的照片的绘画)。
在下面的行1512中，样式图像(例如，激光输入文件)与输入图像(例如，牛仔裤图像)相组合，并且样式转换卷积网络的输出是具有转换样式的图像(例如，具有样式图像的样式的磨损式样的牛仔裤)。
图16示出了神经样式转换的另一示例。在此示例中，相同的输入和样式图像被用于生成三个不同的输出，每个输出的外观彼此不同。此示例示出了还可以如何使用样式转换卷积网络来根据同一输入生成多个设计。
人工神经网络可用于创意内容开发。设计人员输入样式因素，并且该技术生成新颖的饰面式样。人工神经网络可以使现有饰面样式化。人工神经网络可以生成针对遗留(carryover)饰面的式样。人工神经网络可以针对非特定摘要生成可打印的饰面式样(例如，盒子中的完整包装)。
图17示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的条件生成对抗神经网络(cGAN)的更详细的系统图。该系统可以使用一个或多个通用计算机、带有固件码的硬件、或专用硬件在软件中实现。
系统的组件包括主机(main)1705、加载示例()(load_examples())1710、创建模型(creat_model)1715、创建判别器(creat_discriminator)1720、创建判别器(creat_discriminator)1725、创建生成器(create_genenerator)1730、批标准化(batchnorm)1735、卷积(conv)1740、lrelu 1745、以及解卷积(deconv)1750。
主机1705生成用于加载示例1710的路径输出并接收来自加载示例()的示例。在主机1705中进行初始设置，其中采取用户变量并且记录设置。主机针对输入和输出有效性来检查一个或多个路径；创建文件列表；使输入数据成为张量流(tensor flow)可操纵对象；将输入数据分为A侧和B侧，设置数据操纵(例如，翻转或随机裁剪)，并计算模型的每世代步数(steps_per_epoch)。主机返回RETURN Example{paths_batch，input_batch，targets_batch，len(input_paths)，steps_per_epoch}。
创建模型1715接收来自主机的示例.输入(examples.inputs)和示例.目标(example.target)，并向主机输出模型。创建模型将输入和输出通道(inputs and out_channels)输出到创建生成器1730，并且接收输出＝层[-1]。在特定实施方式中，创建模型创建第一编码器层，其输入为4×4卷积，跨度(stride)2；创建编码器层定义列表；在在层定义列表上迭代的for循环中创建后续层(例如，lrelu->卷积->批标准化->附加层)；以及创建包括丢失(dropout)百分比的解码器层定义列表。创建模型使用for循环枚举解码器层，来创建解码器层。在适当的情况下包括跳过连接(U-Net)，并附加到层。卷积(conv)运算被解卷积(deconv)运算代替。泄漏修正线性单元激活函数(lrelu)函数被修正线性单元激活函数(relu)函数代替。参见下面的进一步讨论。然后，返回最终层或所生成的图像。
图18示出了用于激光精加工的条件生成对抗神经网络的单独的运算模块。模块块列出了运算1808、平面平方维度1816和深度维度1824。一些运算示例包括：输入(Input)、卷积(Conv)、解卷积(DeConv)、LReLu、ReLu、批标准化(BatchNorm)和丢失(Dropout)。Conv表示卷积运算。DeConv表示转置卷积运算或解卷积运算。ReLu表示修正线性单元激活函数。LReLu表示泄漏修正线性单元激活函数。
图19A至图19C示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的生成器架构的实施方式。在此实施方式中，conv为4×4跨度2，deconv为转置卷积，lrelu在值小于0时具有0.2的斜率。
图20A至图20C示出了用于生成服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的生成器架构的另一实施方式。
返回到图17，对于真实判别器操作，创建模型将输入和目标输出到创建判别器1725，并接收预测真实(predict_real)＝层[-1]。图20示出了这些组件的操作的实施方式。对于一实施方式，conv是4×4全深度过滤器，并且lrelu在小于0时具有0.2的斜率。
操作包括：连接(concatenate)来自输入的判别器输入(disc_input)和判别器目标(disc_target)，并且目标来自数据集；用输入->卷积->lrelu来创建第一层；在迭代指定数量的判别器层的for循环中创建后续层(例如，卷积->批标准化->lrelu->附加层)；用卷积->S函数(sigmoid)创建最后一层；以及返回最终层(例如，30×30的“真实性”等级)。
返回到图17，对于伪造判别器操作，创建模型将输入和生成器输出(gen_output)输出到创建判别器1720，并且接收预测伪造(predict_fake)＝层[-1]。这类似于上述操作，但具有预测伪造层而不是预测真实层。类似地，图21示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的判别器架构的实施方式。对于一实施方式，conv是4×4全深度过滤器，并且lrelu在小于0时具有0.2的斜率。
类似地，操作包括：连接来自输入的判别器输入(disc_input)和判别器目标(disc_target)，并且目标是生成器输出；用输入->卷积->lrelu来创建第一层；在迭代指定数量的判别器层的for循环中创建后续层(例如，卷积->批标准化->lrelu->附加层)；用卷积->S函数(sigmoid)来创建最后一层；以及返回最终层(例如，30×30的“伪造性”等级)。
返回图17，批标准化、卷积、lrelu、以及解卷积组件(如图19和图20所示)表示模块及其输入，它们由创建判别器1720、创建判别器1725和创建生成器生成。
图22示出了用于生成针对服饰上的逼真磨损式样的激光输入文件的生成对抗神经网络的损失结构的总体框图。组件包括输入2205、目标2210、生成器输出图像2215、真实判别器2220、伪造判别器2225、生成器LI损失2230、生成器GAN损失2235、生成器损失2240和判别器损失2245。
对于生成对抗网络，真实判别器、伪造判别器、以及生成器输出图像组件是机器学习系统的人工神经网络。生成器输出图像组件生成候选者，而真实判别器和伪造判别器评估候选者。在特定实施方式中，候选者是用于诸如牛仔裤之类的激光精加工服饰的激光图像文件。
输入2205包括照片或图像(例如，激光精加工服装的照片和用于生产精加工服装的激光输入文件)，该输入2205被提供给生成器输出图像2215、真实判别器2220、以及伪造判别器2125组件作为输入。真实判别器可以采取真实图像作为输入，而伪造判别器可以采取伪造图像作为输入。生成器输出图像接收照片(例如，具有已知激光输入文件的激光精加工服装的照片)，并生成输出图像(例如，激光图像文件或激光输入文件)作为候选者。所生成的输出图像可以被称为伪造数据，而已知激光输入文件可以被称为真实数据。
真实判别器和伪造判别器组件是差异机器，其中，比较它们的输入并确定给定图像是“真实”还是“伪造”。具体地，真实判别器确定真实图像(来自输入2205)和目标图像(来自目标2210)之间的差异。伪造判别器确定伪造图像(来自生成器输出图像2215)与输入2205之间的差异。
生成器L1损失2230基于生成器输出图像和伪造判别器的输出来确定生成器损失2240。生成器GAN损失2230基于真实判别器和伪造判别器的输出来确定判别器损失2245。
判别器损失的等式(使用Python编程语言和Google的TensorFlow框架)为：
discrim_loss＝tf.reduce_mean(-(tf.log(predict_real+EPS)+tf.log(l–predict_fake+EPS)))。
生成器损失的等式(使用Python编程语言和Google的TensorFlow框架)为：
gen_loss_GAN＝tf.reduce_mean(-tf.log(predict_fake+EPS))
gen_loss_Ll＝tf.reduce_mean(tf.abs(targets-outputs))，以及
gen_loss＝gen_loss_GAN*a.gan_weight+gen_loss_Ll*a.ll_weight。
更具体地，伪造判别器将生成器输出用作其输入的一部分，并然后输出“预测伪造”，判别器损失使用该“预测伪造”来告知(一部分)其检测真实相对于伪造的能力。输出“预测伪造”还用于生成器损失，以确定它欺骗判别器的能力。通过这种方式，损失函数变得取决于数据，并获得对抗训练的益处。生成器还使用直接距离度量来确定它与数据集中的内容的接近度。通过这种方式，生成器拟合到数据集中的解。
在使用激光精加工来烧制式样时，可以通过经由更改激光波形的特性来使激光束的输出变化而获得不同的激光水平，该特性为例如：频率、周期、脉冲宽度、功率、占空比、或烧制速度。式样可以由激光器的单遍通过或多遍通过来形成。
在实施方式中，系统包括由面料材料制成的组装服装，其中，组装服装将暴露于激光束，该激光束将在组装服装的表面上创建精加工式样。
存在发出激光束的激光器，其中，激光束将基于激光输入文件在组装服装的面料材料的表面上形成精加工式样。通过如上所述的机器学习来获得激光输入文件。激光输入文件可以是反像。
组装服装可以包括面料面板，这些面料面板已用线被缝制在一起以形成裤腿、裤子的胯部区域、以及裤子的口袋开口。在暴露于激光之前，组装服装不具有精加工式样。面料材料可以使用具有靛蓝环染棉纱线的经纱线和未染色的纬纱线。
可以通过基于激光输入文件从组装服装的面料材料的表面去除所选择的量的材料，来形成组装服装的面料材料的表面上的精加工式样。通过改变诸如频率、周期、脉冲宽度、功率、占空比或烧制速度之类的激光特性，从而基于激光输入文件来改变激光束的输出处的激光水平。
在实施方式中，一种方法包括组装由经编织第一牛仔布材料的面料面板制成的牛仔裤，该经编织第一牛仔布材料包括具有靛蓝环染棉纱线的经纱，其中，该面料面板使用线被缝制在一起。激光输入文件被创建，该激光输入文件代表由第二牛仔布材料制成的现有牛仔裤的精加工式样。第一牛仔布材料具有与第二牛仔布材料不同的面料特性。创建激光输入文件可以包括：使用机器学习来形成模型，其中，该模型生成针对具有精加工式样的现有服装的图像的激光输入文件。
使用激光器来基于激光输入文件在牛仔裤的外表面上创建精加工式样。基于激光输入文件，激光器在牛仔裤的不同像素位置处从第一材料的表面去除所选择的量的材料。对于精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除。所创建的精加工式样可以跨牛仔裤的多个部分延伸，在这些部分处，通过将这些部分暴露于激光器，两个或更多个面料面板通过线被接合在一起。
第一牛仔布材料可以具有未被靛蓝染色的纬纱线。对于牛仔裤的被暴露于激光器的多个部分，面料面板使用包括棉线的线被接合在一起，其中，在该多个部分处面料面板被接合
第一牛仔布材料可以具有与第二牛仔布材料的第二表面质地特性不同的第一表面质地特性。第一牛仔布材料可以具有与第二牛仔布材料的第二染色特性不同的第一染色特性。第一牛仔布材料可以具有与第二牛仔布材料的第二基础面料颜色特性不同的第一基础面料颜色特性(例如，颜色深浅或颜色色调)。第一牛仔布材料可以具有与第二牛仔布材料的第二纱线特性不同的第一纱线特性(例如，环染料效应)。例如，环染区域的厚度可以不同。芯区域的直径可以不同。
此外，第一牛仔布材料可以具有与第二牛仔布材料的第二纱线重量特性不同的第一纱线重量特性。第一牛仔布材料可以具有与第二牛仔布材料的第二纱线直径特性不同的第一纱线直径特性。第一牛仔布材料可以具有与第二牛仔布材料的第二纱线捻度特性不同的第一纱线捻度特性(例如，扭数)。
已经出于说明和描述的目的呈现了本发明的描述。并非旨在穷举或将本发明限制于所描述的精确形式，并且鉴于上述教导，许多修改和变化是可能的。选择和描述实施例是为了最好地解释本发明的原理及其实际应用。该描述将使得本领域的其他技术人员能够在各种实施例中以及利用适合于特定用途的各种修改最好地利用和实践本发明。本发明的范围由权利要求限定。

Claims (60)

1.一种方法，包括：
组装由经编织第一材料的面料面板制成的服装，所述经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，所述面料面板使用线被缝制在一起；
使用通过包括生成对抗网络的机器学习形成的模型，创建激光输入文件，所述激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，所述第一材料包括与所述第二材料不同的面料特性；以及
基于由所述模型创建的所述激光输入文件，使用激光器在所述服装的外表面上创建精加工式样，其中，基于所述激光输入文件，所述激光器在所述服装的不同像素位置处从所述第一材料的表面去除所选择的量的材料，
对于所述精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于所述精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且
所创建的精加工式样能够跨所述服装的多个部分延伸，在所述多个部分处，两个或更多个面料面板通过将这些部分暴露于所述激光器而通过线被接合在一起。
2.根据权利要求1所述的方法，其中，所述生成对抗网络包括生成神经网和判别神经网，并且所述生成对抗网络通过以下方式训练：
提供多个激光输入文件以及利用所述多个激光输入文件烧制的服装的图像作为输入，并且
所述生成神经网生成激光输入文件候选者，用于所述判别神经网来确定所述候选者看起来是真实的还是伪造的。
3.根据权利要求1所述的方法，其中，所述第一材料包括牛仔布，并且所述第二材料包括牛仔布。
4.根据权利要求1所述的方法，其中，所述服装包括下列项中的至少一项：牛仔裤、衬衫、短裤、夹克、背心、或裙子。
5.根据权利要求1所述的方法，其中，所述服装和所述现有服装是相同类型的服装。
6.根据权利要求1所述的方法，其中，通过所述激光器在所述服装上创建的精加工式样包括磨损式样，所述磨损式样包括下列项中的至少一项：梳子状或蜂窝状、胡须状、堆叠状、或火车轨道状、或其组合。
7.一种方法，包括：
提供由经编织第一材料的面料面板制成的组装服装，所述经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，所述面料面板使用线被缝制在一起；
提供激光输入文件，所述激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，所述现有服装上的所述精加工式样不是通过激光器创建的，并且所述激光输入文件是通过以下方式获得的：
训练生成对抗网络，所述生成对抗网络包括生成神经网和判别神经网的，并且
从所述生成对抗网络形成模型，其中，所述模型生成针对具有所述精加工式样的所述现有服装的图像的所述激光输入文件；以及
基于所述激光输入文件，使用激光器在所述组装服装的外表面上创建精加工式样，其中，基于所述激光输入文件，所述激光器在所述组装服装的不同像素位置处从所述第一材料的表面去除所选择的量的材料，
对于所述精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于所述精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且
所创建的精加工式样能够跨所述组装服装的多个部分延伸，在所述多个部分处，两个或更多个面料面板通过将这些部分暴露于所述激光器而通过线被接合在一起。
8.根据权利要求7所述的方法，其中，所述第一材料包括牛仔布，并且所述第二材料包括牛仔布，所述服装和所述现有服装包括牛仔裤，并且通过所述激光器在所述服装上创建的精加工式样包括磨损式样，所述磨损式样包括下列项中的至少一项：梳子状或蜂窝状、胡须状、堆叠状、或火车轨道状、或其组合。
9.一种方法，包括：
组装由经编织第一牛仔布材料的面料面板制成的牛仔裤，所述经编织第一牛仔布材料包括具有靛蓝环染棉纱线的经纱，其中，所述面料面板使用线被缝制在一起；
创建激光输入文件，所述激光输入文件代表来自由第二牛仔布材料制成的现有牛仔裤的精加工式样，其中，所述第一牛仔布材料具有与所述第二牛仔布材料不同的面料特性，并且创建所述激光输入文件包括：
使用机器学习来形成模型，其中，所述模型生成针对具有所述精加工式样的所述现有服装的图像的所述激光输入文件；以及
基于所述激光输入文件，使用激光器在所述牛仔裤的外表面上创建精加工式样，其中，基于所述激光输入文件，所述激光器在所述牛仔裤的不同像素位置处从所述第一材料的表面去除所选择的量的材料，
对于所述精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于所述精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且
所创建的精加工式样能够跨所述牛仔裤的多个部分延伸，在所述多个部分处，两个或更多个面料面板通过将这些部分暴露于所述激光器而通过线被接合在一起。
10.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括具有未被靛蓝染色的纱线的纬纱。
11.根据权利要求9所述的方法，其中，对于所述牛仔裤的被暴露于所述激光器的多个部分，所述面料面板使用包括棉线的线被接合在一起，其中，在所述多个部分处所述面料面板被接合。
12.根据权利要求9所述的方法，确定用于所述激光输入文件的值包括：
选择来自所述第二牛仔布材料的所述现有牛仔裤的精加工式样的目标图像中的暗部参考；
针对所述目标图像中的每个像素，计算像素值与所述暗部参考之间的差值；以及
将每个差值存储在所述激光输入文件中，其中，所述激光输入文件包括与目标图像相比的反像。
13.根据权利要求9所述的方法，其中，使用激光器在所述牛仔裤的外表面上创建精加工式样包括所述激光器的单遍通过。
14.根据权利要求9所述的方法，其中，使用激光器在所述牛仔裤的外表面上创建精加工式样包括所述激光器的多遍通过。
15.根据权利要求9所述的方法，其中，当使用激光器来创建精加工式样时，通过经由改变所述激光器的特性来使激光束的输出变化而获得不同的激光水平，所述特性包括下列项中的至少一项：频率、周期、脉冲宽度、功率、占空比、或烧制速度。
16.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一表面质地特性，所述第一表面质地特性与所述第二牛仔布材料的第二表面质地特性不同。
17.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一染色特性，所述第一染色特性与所述第二牛仔布材料的第二染色特性不同。
18.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一基础面料颜色特性，所述第一基础面料颜色特性与所述第二牛仔布材料的第二基础面料颜色特性不同。
19.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一纱线特性，所述第一纱线特性与所述第二牛仔布材料的第二纱线特性不同。
20.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一纱线重量特性，所述第一纱线重量特性与所述第二牛仔布材料的第二纱线重量特性不同。
21.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一纱线直径特性，所述第一纱线直径特性与所述第二牛仔布材料的第二纱线直径特性不同。
22.根据权利要求9所述的方法，其中，所述第一牛仔布材料包括第一纱线捻度特性，所述第一纱线捻度特性与所述第二牛仔布材料的第二纱线捻度特性不同。
23.一种方法，包括：
提供由经编织第一材料的面料面板制成的组装服装，所述经编织第一材料包括具有靛蓝环染棉纱线的经纱，其中，所述面料面板使用线被缝制在一起；
提供激光输入文件，所述激光输入文件代表来自由第二材料制成的现有服装的精加工式样，其中，所述现有服装上的所述精加工式样不是通过激光器创建的，并且所述激光输入文件是通过以下方式获得的：
将样本激光输入文件以及样本服装的图像提供给生成对抗网络，所述样本服装具有根据所述样本激光输入文件产生的经激光处理的精加工式样，其中，所述样本激光输入文件包括用于所述生成对抗网络的真实激光输入文件；
使用所述生成对抗网络的生成神经网，生成针对具有经激光处理的精加工式样的样本服装的所述图像的伪造激光输入文件；
基于所述伪造激光输入文件和所述真实激光输入文件来确定生成器损失；
将所述真实激光输入文件输入到所述生成对抗网络的真实判别器；
将所述真实激光输入文件和所述伪造激光输入文件输入到所述生成对抗网络的伪造判别器；
基于所述真实判别器和所述伪造判别器的输出确定判别器损失；以及
基于所述生成器损失和所述判别器损失的输出，迭代地训练模型以获得最终模型，其中，所述最终模型生成针对具有所述精加工式样的所述现有服装的图像的激光输入文件；以及
基于所述激光输入文件，使用激光器在所述组装服装的外表面上创建精加工式样，其中，基于所述激光输入文件，所述激光器在所述组装服装的不同像素位置处从所述第一材料的表面去除所选择的量的材料，
对于所述精加工式样的较浅像素位置，较大量的靛蓝环染棉经纱线被去除，而对于所述精加工式样的较深像素位置，较少量的靛蓝环染棉经纱线被去除，并且
所创建的精加工式样能够跨所述组装服装的多个部分延伸，在所述多个部分处，两个或更多个面料面板通过将这些部分暴露于所述激光器而通过线被接合在一起。
24.根据权利要求23所述的方法，其中，所述第一材料包括牛仔布，并且所述第二材料包括牛仔布。
25.根据权利要求23所述的方法，其中，所述服装包括下列项中的至少一项：牛仔裤、衬衫、短裤、夹克、背心、或裙子。
26.根据权利要求23所述的方法，其中，所述服装和所述现有服装是相同类型的服装。
27.根据权利要求23所述的方法，其中，所述第一材料包括牛仔布，并且所述第二材料包括牛仔布，所述服装和所述现有服装包括牛仔裤，并且通过所述激光器在所述服装上创建的精加工式样包括磨损式样，所述磨损式样包括下列项中的至少一项：梳子状或蜂窝状、胡须状、堆叠状、或火车轨道状、或其组合。
28.根据权利要求23所述的方法，其中，对于所述牛仔裤的被暴露于所述激光器的多个部分，所述面料面板使用包括棉线的线被接合在一起，其中，在所述多个部分处所述面料面板被接合。
29.根据权利要求23所述的方法，其中，当使用激光器来创建精加工式样时，通过经由改变所述激光器的特性来使激光束的输出变化而获得不同的激光水平，所述特性包括下列项中的至少一项：频率、周期、脉冲宽度、功率、占空比、或烧制速度。
30.根据权利要求23所述的方法，其中，所述第一材料包括与所述第二材料不同的面料特性。
31.根据权利要求23所述的方法，其中，所述第一材料包括第一表面质地特性，所述第一表面质地特性与所述第二材料的第二表面质地特性不同。
32.根据权利要求23所述的方法，其中，所述第一材料包括第一染色特性，所述第一染色特性与所述第二材料的第二染色特性不同。
33.根据权利要求23所述的方法，其中，所述第一材料包括第一基础面料颜色特性，所述第一基础面料颜色特性与所述第二材料的第二基础面料颜色特性不同。
34.根据权利要求23所述的方法，其中，所述第一材料包括第一纱线特性，所述第一纱线特性与所述第二材料的第二纱线特性不同。
35.根据权利要求23所述的方法，其中，所述第一材料包括第一纱线重量特性，所述第一纱线重量特性与所述第二材料的第二纱线重量特性不同。
36.根据权利要求23所述的方法，其中，所述第一材料包括第一纱线直径特性，所述第一纱线直径特性与所述第二材料的第二纱线直径特性不同。
37.根据权利要求23所述的方法，其中，所述第一材料包括第一纱线捻度特性，所述第一纱线捻度特性与所述第二材料的第二纱线捻度特性不同。
38.根据权利要求23所述的方法，其中，所述判别器损失包括以下关系：
tf.reduce_mean(-(tf.log(predict_real+EPS)+tf.log(l–predict_fake+EPS)))。
39.根据权利要求23所述的方法，其中，所述生成器损失包括以下关系中的至少一个、或其组合：
tf.reduce_mean(-tf.log(predict_fake+EPS))，
tf.reduce_mean(tf.abs(targets-outputs))，或者
gen_loss_GAN*a.gan_weight+gen_loss_Ll*a.ll_weight。
40.根据权利要求23所述的方法，其中，所述伪造激光输入文件被用于确定所述生成器损失和所述判别器损失两者。
41.一种服装，包括：
由经编织第一材料制成的面料面板，所述经编织第一材料包括具有靛蓝环染棉纱的经纱，其中，所述面料面板使用线被缝制在一起；以及
所述服装的外表面包括基于激光输入文件通过激光器来创建的精加工式样，其中，所述激光输入文件包括数字数据，所述数字数据表示来自由第二材料制成的现有服装的精加工式样，所述第一材料包括与所述第二材料不同的面料特性，并且所述激光输入文件是通过以下方式创建的：
将样本激光输入文件以及样本服装的图像提供给生成对抗网络，所述样本服装具有根据所述样本激光输入文件产生的经激光处理的精加工式样，其中，所述样本激光输入文件包括用于所述生成对抗网络的真实激光输入文件；
使用所述对抗网络的生成神经网，生成针对具有经激光处理的精加工式样的样本服装的图像的伪造激光输入文件；
基于所述伪造激光输入文件和所述真实激光输入文件来确定生成器损失；
将所述真实激光输入文件输入到所述生成对抗网络的真实判别器；
将所述真实激光输入文件和所述伪造激光输入文件输入到所述生成对抗网络的伪造判别器；
基于所述真实判别器和所述伪造判别器的输出来确定判别器损失；以及
基于所述生成器损失和所述判别器损失的输出，迭代地训练模型以获得最终模型，其中，所述最终模型生成针对具有所述精加工式样的所述现有服装的图像的所述激光输入文件。
42.根据权利要求41所述的服装，其中，所述经纱使用靛蓝染料进行环染，
基于所述激光输入文件，所选择的量的材料在所述服装的不同像素位置处从所述第一材料的表面通过所述激光被去除，并且
对于所述精加工式样的较浅像素位置，较大量的经染色棉经纱被去除，而对于所述精加工式样的较深像素位置，较少量的经染色棉经纱被去除。
43.根据权利要求41所述的服装，其中，所创建的精加工式样能够跨所述服装的多个部分延伸，在所述多个部分处，两个或更多个面料面板通过将这些部分暴露于所述激光器而通过线被接合在一起。
44.根据权利要求41所述的服装，其中，所述第一材料包括具有未被染色的纱线的纬纱。
45.根据权利要求41所述的服装，其中，对于所述服装的被暴露于所述激光器的多个部分，所述面料面板使用包括棉线的线被接合在一起，其中，在所述多个部分处所述面料面板被接合。
46.根据权利要求41所述的服装，其中，所述服装的外表面上的所述精加工式样是由激光器的单遍通过形成的。
47.根据权利要求41所述的服装，其中，所述服装的外表面上的所述精加工式样是由激光器的多遍通过形成的。
48.根据权利要求41所述的服装，其中，捕获来自所述第二材料的所述现有服装的所述精加工式样的目标图像包括：使用对比度受限自适应直方图均衡图像处理。
49.根据权利要求41所述的服装，其中，为在所述服装的外表面上创建所述精加工式样，通过经由改变所述激光器的特性来使激光束的输出变化而获得不同的激光水平，所述特性包括下列项中的至少一项：频率、周期、脉冲宽度、功率、占空比、或烧制速度。
50.根据权利要求41所述的服装，其中，所述第一材料包括第一表面质地特性，所述第一表面质地特性与所述第二材料的第二表面质地特性不同。
51.根据权利要求41所述的服装，其中，所述第一材料包括第一染色特性，所述第一染色特性与所述第二材料的第二染色特性不同。
52.根据权利要求41所述的服装，其中，所述第一材料包括第一基础面料颜色特性，所述第一基础面料颜色特性与所述第二材料的第二基础面料颜色特性不同。
53.根据权利要求41所述的服装，其中，所述第一材料包括第一纱线特性，所述第一纱线特性与所述第二材料的第二纱线特性不同。
54.根据权利要求41所述的服装，其中，所述第一材料包括第一纱线重量特性，所述第一纱线重量特性与所述第二材料的第二纱线重量特性不同。
55.根据权利要求41所述的服装，其中，所述第一材料包括第一纱线直径特性，所述第一纱线直径特性与所述第二材料的第二纱线直径特性不同。
56.根据权利要求41所述的服装，其中，所述第一材料包括第一纱线捻度特性，所述第一纱线捻度特性与所述第二材料的第二纱线捻度特性不同。
57.根据权利要求41所述的服装，其中，所述现有服装上的所述精加工式样不是通过激光器创建的。
58.根据权利要求41所述的服装，其中，通过所述激光器在所述服装上创建的精加工式样包括磨损式样，所述磨损式样包括下列项中的至少一项：梳子状或蜂窝状、胡须状、堆叠状、或火车轨道状、或其组合。
59.一种服装，包括：
由经编织第一材料制成的面料面板，所述经编织第一材料包括具有染色棉纱线的经纱，其中，所述面料面板使用线被缝制在一起；并且
所述服装的外表面包括基于激光输入文件通过激光器来创建的精加工式样，其中，所述激光输入文件包括数字数据，所述数字数据表示来自由第二材料制成的现有服装的精加工式样，所述第一材料包括与所述第二材料不同的面料特性，并且所述激光输入文件是通过以下方式创建的：
训练生成对抗网络，所述生成对抗网络包括生成神经网和判别神经网，并且
从所述生成对抗网络形成模型，其中，所述模型生成针对具有所述精加工式样的所述现有服装的图像的所述激光输入文件。
60.根据权利要求59所述的服装，其中，所述服装包括下列项中的至少一项：牛仔裤、衬衫、短裤、夹克、背心、或裙子。
CN201880084450.XA 2017-10-31 2018-10-31 在创建服饰设计时使用神经网络 Pending CN111527493A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762579867P 2017-10-31 2017-10-31
US62/579,867 2017-10-31
PCT/US2018/058597 WO2019089859A1 (en) 2017-10-31 2018-10-31 Using neural networks in creating apparel designs

Publications (1)

Publication Number Publication Date
CN111527493A true CN111527493A (zh) 2020-08-11

Family

ID=66243062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880084450.XA Pending CN111527493A (zh) 2017-10-31 2018-10-31 在创建服饰设计时使用神经网络

Country Status (4)

Country Link
US (4) US11952693B2 (zh)
EP (1) EP3704608A4 (zh)
CN (1) CN111527493A (zh)
WO (1) WO2019089859A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6654214B2 (ja) * 2018-04-20 2020-02-26 大陽日酸株式会社 スパッタ計数方法、コンピュータプログラム及びスパッタ計数装置
US20210299788A1 (en) * 2018-08-06 2021-09-30 The University Of Tokyo Machine learning method used for laser processing system, simulation apparatus, laser processing system and program
CN110135301B (zh) * 2019-04-30 2022-02-22 百度在线网络技术（北京）有限公司 交通牌识别方法、装置、设备和计算机可读介质
US11373064B2 (en) * 2019-07-22 2022-06-28 Raytheon Company Cross-modality automatic target recognition
WO2021016358A1 (en) 2019-07-22 2021-01-28 Raytheon Company Cross-modality image generation
CN110458216B (zh) * 2019-07-31 2022-04-12 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN111182637B (zh) * 2019-12-24 2022-06-21 浙江大学 一种基于生成对抗强化学习的无线网络资源分配方法
CN111307925A (zh) * 2020-03-06 2020-06-19 山东省分析测试中心 一种温度控制不连续冻肉的鉴别方法和系统
CN112927180B (zh) * 2020-10-15 2022-11-15 内蒙古鄂尔多斯资源股份有限公司 一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法
TWI781835B (zh) * 2021-03-12 2022-10-21 臺灣通用紡織科技股份有限公司 布片資訊數位化系統及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5567207A (en) * 1994-07-31 1996-10-22 Icon, Inc. Method for marking and fading textiles with lasers
US5990444A (en) * 1995-10-30 1999-11-23 Costin; Darryl J. Laser method and system of scribing graphics
WO2001025824A2 (en) * 1999-10-05 2001-04-12 Technolines, Llc A scanned modulated laser for processing material surfaces
CN101775742A (zh) * 2010-01-23 2010-07-14 广东鸿昌服饰创意股份有限公司 牛仔服装的仿旧加工方法
US20160060807A1 (en) * 2014-08-27 2016-03-03 Revolaze, LLC System and method of generating a pattern or image on fabric with linear laser irradiation, fabric made by said method, and products made with said fabric

Family Cites Families (150)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BE736993A (zh) 1968-11-01 1970-01-16
US3883298A (en) 1969-10-13 1975-05-13 Gerald Platt Energy responsive thread
DE1965103A1 (de) 1969-12-27 1971-07-01 Ahmedabad Mfg & Calico Printin Verfahren und Apparat zur Erzielung von zwei verschiedenen Farbeffekten auf den beiden Seiten eines Gewebes
GB1259530A (zh) 1969-12-30 1972-01-05
US3983132A (en) 1974-08-23 1976-09-28 Gaf Corporation Branched chain dodecyl isomeric mixtures of 2-(5-dodecyl-2-hydroxy phenyl) benzotriazole as stabilizers for heat and light sensitive materials
EP0071643A1 (en) 1981-02-13 1983-02-16 ROBILLARD, Jean J. Process for forming colored images on textile materials and photosensitive film for use in said process
US4527383A (en) 1983-03-28 1985-07-09 Minnesota Mining And Manufacturing Company Threads for identification of garments
DD256154A1 (de) 1986-12-24 1988-04-27 Textima Veb K Verfahren und schaltungsanordnung zur mustervorbereitung
GB8802590D0 (en) 1988-02-05 1988-03-02 Courtaulds Plc Fibre
DE3916126A1 (de) 1989-05-18 1990-11-22 Kuesters Eduard Maschf Verfahren zur ausruestung von textilen flaechengebilden
US5015849A (en) 1989-12-14 1991-05-14 Milliken Research Corporation Index marking system
JPH0490184U (zh) 1990-06-05 1992-08-06
IT1246734B (it) 1990-12-24 1994-11-26 Ms Servizi Informatici Apparecchiatura elettronica per l'incisione mediante raggio laser di quadri da stampa serigrafica e simili.
CA2066978A1 (en) 1991-12-06 1993-06-07 Hyun J. Kim Fabric, molded, or coated articles exhibiting color change when exposed to ultraviolet light
GB9210521D0 (en) 1992-05-16 1992-07-01 Cadcam Punch Ltd Cutting and embroidery process
KR950704082A (ko) 1992-11-25 1995-11-17 카타다 테쯔야 레이저마아킹장치 및 방법(laser marking apparatus and method)
US5367141A (en) 1993-03-26 1994-11-22 The United States Of America As Represented By The United States Department Of Energy Photochemical cutting of fabrics
US5573851A (en) 1994-05-16 1996-11-12 U.S. Textile Corporation Ultraviolet-detectable marking yarn and a textile fabric product therewith
DE4439031C2 (de) 1994-11-02 1996-08-22 Siegfried Lanitz Polymerbeschichtetes Mehrschichtmaterial und Verfahren zu seiner Herstellung
GB2294656B (en) 1994-11-07 1999-05-05 Janet Stoyel Method and apparatus for the manufacture of textiles
US5880430A (en) 1995-08-11 1999-03-09 Wein; Joseph H. Method and apparatus for laser engraving
US6252196B1 (en) 1996-10-11 2001-06-26 Technolines Llc Laser method of scribing graphics
US6685868B2 (en) 1995-10-30 2004-02-03 Darryl Costin Laser method of scribing graphics
US6004018A (en) 1996-03-05 1999-12-21 Janome Sewing Machine Device for producing embroidery data on the basis of image data
ES2147473B1 (es) 1996-05-09 2001-03-16 Customer Service S L Sistema de marcado con elementos identificadores de procedencia.
JPH10179964A (ja) 1996-12-27 1998-07-07 Brother Ind Ltd 刺繍データ処理方法及びその装置
DE19704478A1 (de) 1997-02-06 1998-08-13 Merck Patent Gmbh Lasermarkierbare Papiere und Kartonagen
US5916461A (en) 1997-02-19 1999-06-29 Technolines, Llc System and method for processing surfaces by a laser
US6192292B1 (en) 1997-02-20 2001-02-20 Brother Kogyo Kabushiki Kaisha Embroidery data processor for preparing high quality embroidery sewing
JPH10230088A (ja) 1997-02-20 1998-09-02 Brother Ind Ltd 刺繍データ処理装置
US6002099A (en) 1997-04-23 1999-12-14 Technolines, Llc User control interface for laser simulating sandblasting apparatus
US6140602A (en) 1997-04-29 2000-10-31 Technolines Llc Marking of fabrics and other materials using a laser
US6315202B2 (en) 1997-08-11 2001-11-13 Technolines, Llc. Material coding using lasers
US5941572A (en) 1997-09-12 1999-08-24 Nocopi Technologies, Inc. Method for authenticating a textile product and a thread and a woven label usable therewith
JP3529620B2 (ja) 1998-04-08 2004-05-24 勝也 広繁 感光剤を用いた多数の微細孔を有する両面貫通シートの形成方法
US6040905A (en) * 1998-08-05 2000-03-21 Zellweger Uster, Inc. Fiber color grading system
US6836695B1 (en) 1998-08-17 2004-12-28 Soft Sight Inc. Automatically generating embroidery designs from a scanned image
US6090158A (en) * 1998-09-08 2000-07-18 Levi Strauss & Co. Localized finishing of garment workpieces
US6495237B1 (en) 1998-09-29 2002-12-17 Technolines Llc Denim design from laser scribing
US6616710B1 (en) 1998-09-30 2003-09-09 Technolines Llc Laser scribing process to eliminate the denim enzyme by washing and laundry
US20050131571A1 (en) 1998-11-23 2005-06-16 Darryl Costin Internet customization of apparel
US6576862B1 (en) 1999-01-07 2003-06-10 Technolines Llc Laser-scribing process for rubber and thermoplastic materials such as a hose
US6765608B1 (en) 1999-03-09 2004-07-20 Minolta Co., Ltd. Image processing apparatus and system executing predetermined image processing on image data shot by camera, and image recording medium recorded with image processing program
US6407361B1 (en) 1999-06-03 2002-06-18 High Tech Polishing, Inc. Method of three dimensional laser engraving
US6726317B2 (en) 1999-09-03 2004-04-27 L&P Property Management Company Method and apparatus for ink jet printing
US6819972B1 (en) 1999-10-05 2004-11-16 Clarence H Martin Material surface processing with a laser that has a scan modulated effective power to achieve multiple worn looks
AU4711901A (en) 1999-12-05 2001-06-18 Technolines, Llc Laser processing of materials using mathematical tools
SE516696C2 (sv) 1999-12-23 2002-02-12 Perstorp Flooring Ab Förfarande för framställning av ytelement vilka innefattar ett övre dekorativt skikt samt ytelement framställda enlit förfarandet
US20030089782A1 (en) 2000-01-29 2003-05-15 Christopher Reed Authenticating textile based items
US6706785B1 (en) 2000-02-18 2004-03-16 Rona/Emi Industries, Inc. Methods and compositions related to laser sensitive pigments for laser marking of plastics
DE10013344A1 (de) 2000-03-17 2001-09-20 Horst Kind Gmbh Verfahren und Vorrichtung zum Führen eines Laserstrahls über ein Objekt
US7057756B2 (en) 2000-07-17 2006-06-06 Canon Kabushiki Kaisha Image processor, method for processing image, printing apparatus, printing method, program, and storage medium that stores computer-readable program code
AU2001286490A1 (en) 2000-08-17 2002-02-25 Hewlett-Packard Company Method and apparatus for ensuring output print quality
US6832125B2 (en) 2000-11-27 2004-12-14 Hunes Bv Photographs of fabrics and methods for making them
JP2002201576A (ja) * 2000-12-27 2002-07-19 Okayama Prefecture 染色布又は着色衣料の模様柄作製方法
GB2371567A (en) 2001-01-26 2002-07-31 Du Pont Calendered fabric for ultraviolet light protection
US6807456B1 (en) 2001-02-09 2004-10-19 Technolines, Llc Fractal jean manufacturing
DE10112122C1 (de) 2001-03-14 2002-10-24 Deotexis Inc Textilmaterial für Kleidungsstücke
DE60239925D1 (de) 2001-03-29 2011-06-16 Lasx Ind Inc Steuerung für einen laser mit prädiktiven modellen des bewegungssystems des laserstrahls
EP1279460A1 (en) 2001-07-27 2003-01-29 Ykk Corporation Method and apparatus for forming a color pattern on the surface of an apparel accessory item using a laser beam
US6753501B1 (en) 2001-11-03 2004-06-22 Darryl Costin, Sr. Processing of textile materials using laser beams and material sized in larger widths
JP3583750B2 (ja) 2001-11-08 2004-11-04 大日本スクリーン製造株式会社 画像記録装置および出力光量補正方法
US7072733B2 (en) 2002-01-22 2006-07-04 Milliken & Company Interactive system and method for design, customization and manufacture of decorative textile substrates
US6689517B1 (en) 2002-08-20 2004-02-10 Eastman Kodak Company Fabric imaging element
US20040045240A1 (en) 2002-09-10 2004-03-11 Mcilvaine Bruce L. Laminate flooring with custom images
DE10243650A1 (de) 2002-09-19 2004-04-01 Giesecke & Devrient Gmbh Sicherheitselement
GB0226597D0 (en) 2002-11-14 2002-12-24 Sun Chemical Bv Laser marking process
US6974366B1 (en) 2002-12-13 2005-12-13 Larry Johnson Garment image abrasion system and method
US6988797B2 (en) 2003-03-12 2006-01-24 Hewlett-Packard Development Company, L.P. Unbacked fabric transport and condition system
ES2243111B1 (es) 2003-03-21 2007-02-01 Desarrollos Industriales Del Laser, S.L. Metodo para el recorte de fibras superficiales de tejidos.
US6962609B2 (en) 2003-10-15 2005-11-08 Milliken & Company Multi-colored fabrics made from a single dye formula, and methods of making same
US7240408B2 (en) 2004-01-14 2007-07-10 Icon Textile Laser Systems, Inc. Selectivity altering a fiber height in a pile fabric and apparatus
US7005603B2 (en) 2004-04-02 2006-02-28 Hewlett-Packard Development Company, L.P. Laser marking
DE102004018702B4 (de) 2004-04-17 2006-05-24 Leonhard Kurz Gmbh & Co. Kg Folie mit Polymerschicht
DE102004021246A1 (de) 2004-04-30 2005-11-24 Giesecke & Devrient Gmbh Sicherheitselement und Verfahren zu seiner Herstellung
US7260445B2 (en) 2004-06-24 2007-08-21 Basf Aktiengesellschaft System and method for customized industrial textile coloration
US8153344B2 (en) 2004-07-16 2012-04-10 Ppg Industries Ohio, Inc. Methods for producing photosensitive microparticles, aqueous compositions thereof and articles prepared therewith
US7699896B1 (en) 2004-11-16 2010-04-20 Technolines, Llc Surface pretreatment of fabrics for laser writing applications
WO2006068180A1 (ja) 2004-12-24 2006-06-29 Nhk Spring Co., Ltd. 識別媒体、識別媒体を備えた物品、識別方法および識別装置
FR2883134B1 (fr) 2005-03-16 2007-06-22 Kermel Soc Par Actions Simplif Tissu de protection contre le feu
GB0505874D0 (en) 2005-03-22 2005-04-27 Ten Cate Advanced Textiles Bv Method for providing a localised finish on a textile article
TWM276842U (en) 2005-05-31 2005-10-01 Deertex Inc Fabric structure featuring light sensitivity
ITMI20051208A1 (it) 2005-06-27 2006-12-28 Ettore Colico Metodo e apparecchiatura per il trasferimento di immagini su un supporto in legno mediante un fascio laser
US7742831B2 (en) 2005-10-11 2010-06-22 Daniel Trinchillo, Jr. Base display for an item of value and methods of making same
GB0521513D0 (en) 2005-10-21 2005-11-30 Sherwood Technology Ltd Laser marking on substrates
US20070161304A1 (en) 2006-01-10 2007-07-12 Tanakorn Wangbunyen Using chemicals to regulate functioning of ventilation points in a fabric or flexible substrate
KR101404419B1 (ko) 2006-03-01 2014-06-10 라이언 브라더스 컴퍼니 인크 디지털 인쇄된 아플리케 엠블럼
US20070205541A1 (en) 2006-03-03 2007-09-06 Dann Allen Buck shot blues specially processed denim product and the process methods to make the product
US9213929B2 (en) 2006-05-30 2015-12-15 Dai Nippon Printing Co., Ltd. Pattern printed sheet
GB0611325D0 (en) 2006-06-08 2006-07-19 Datalase Ltd Laser marking
US20080023169A1 (en) 2006-07-14 2008-01-31 Fernandes Lippi A Forming fabric with extended surface
CN100557426C (zh) 2006-11-15 2009-11-04 上海市纤维检验所 一种利用红外激光检测纺织品结构及染色缺陷的方法及装置
KR100727583B1 (ko) 2006-12-15 2007-06-14 신정식 레이저 샌딩을 이용한 사진 또는 이미지가 새겨진 데님의류제조 방법 및 이를 이용하여 생산된 데님의류
FR2910632B1 (fr) 2006-12-22 2010-08-27 Commissariat Energie Atomique Dispositif de codage optique par effet plasmon et methode d'authentification le mettant en oeuvre
WO2008091898A1 (en) 2007-01-23 2008-07-31 Imra America, Inc. Ultrashort laser micro-texture printing
US8529775B2 (en) 2007-02-20 2013-09-10 Revolaze, LLC Decorative products created by lazing graphics and patterns directly on substrates with painted surfaces
CA2679327A1 (en) 2007-03-08 2008-09-12 Basf Se Laser-sensitive recording materials having an undercoating layer
GB2448763A (en) 2007-04-27 2008-10-29 Zahir Ahmed Laser sensitive textile
EP2170548B1 (en) 2007-06-12 2020-03-11 Technolines, LLC High speed and high power laser scribing methods and systems
WO2009039668A1 (en) 2007-09-28 2009-04-02 Smartpatterns Inc. System and method for design of stitched objects
CA2719793C (en) 2008-04-02 2014-10-07 Sicpa Holding Sa Identification and authentication using liquid crystal material markings
CA2759699A1 (en) 2008-04-24 2009-10-29 Echelon Laser Systems, Lp Combination extrusion and laser-marking system, and related method
US8360323B2 (en) 2008-07-31 2013-01-29 Eastman Kodak Company Security label laminate and method of labeling
WO2010017648A1 (en) 2008-08-14 2010-02-18 Maksim Skorobogatiy Photonic fiber and color-changing and color-tunable photonic textile product using this photonic fiber
TW201029856A (en) 2009-01-16 2010-08-16 Echelon Laser Systems Lp Surface marked articles, related methods and systems
UY32530A (es) 2009-04-02 2010-10-29 Sicpa Holding Sa Identificación y autenticación usando marcados de material de cristal liquido polimérico
US8460566B2 (en) 2009-04-27 2013-06-11 Echelon Laser Systems, Lp Staggered laser-etch line graphic system, method and articles of manufacture
US8556319B2 (en) 2009-08-28 2013-10-15 Johnson Controls Technology Company Laser etched trim
EP2477782A1 (en) 2009-09-18 2012-07-25 Echelon Laser Systems, Lp Laser methods to create easy tear off materials and articles made therefrom
RU2536031C2 (ru) 2009-09-23 2014-12-20 Тетра Лаваль Холдингз Энд Файнэнс С.А. Способ лазерной маркировки и система лазерной маркировки
US8585956B1 (en) 2009-10-23 2013-11-19 Therma-Tru, Inc. Systems and methods for laser marking work pieces
CA2788591A1 (en) 2010-02-04 2011-08-11 Echelon Laser Systems, Lp Laser etching system and method
BR112012027077A2 (pt) 2010-04-22 2017-07-11 Echelon Laser Sistems Lp gravura à laser de uma composição de acrílico e polivinilcloreto, e artigo gravado à laser.
WO2011143471A1 (en) 2010-05-12 2011-11-17 Johnson Controls Technology Company Surface-integrated indicators and actuators and method of manufacturing the same
JP2011244989A (ja) 2010-05-26 2011-12-08 Brother Ind Ltd 刺繍データ作成装置、刺繍データ作成方法、及び刺繍データ作成プログラム
WO2012016316A1 (pt) 2010-08-06 2012-02-09 Universidade Federal De Pernambuco Dosímetro imprimível para radiação ultravioleta
CN102371830B (zh) 2010-08-11 2014-12-17 香港纺织及成衣研发中心 一种纺织品激光雕刻系统及方法
WO2012103441A1 (en) 2011-01-28 2012-08-02 Crane & Co., Inc A laser marked device
US8706286B2 (en) 2011-01-31 2014-04-22 Vistaprint Schweiz Gmbh Method and system for detecting suitability of an image to embroidery
CN103635627A (zh) * 2011-06-30 2014-03-12 国际人造丝公司 靛蓝染色棉斜纹粗布织物和衣物的制备
US9034089B2 (en) 2011-08-12 2015-05-19 Tetra Laval Holdings & Finance S.A. Ink formulation
US8908962B2 (en) 2011-09-30 2014-12-09 Ebay Inc. Item recommendations using image feature data
WO2013060831A2 (de) 2011-10-28 2013-05-02 BAM Bundesanstalt für Materialforschung und -prüfung Verfahren und farbstoffmischungen zur kennzeichnung von formgedächtnispolymeren und artikel aus formgedächtnispolymer mit schaltbarer lesbarkeit
ES2720862T3 (es) 2011-12-30 2019-07-25 Tetra Laval Holdings & Finance Composición de formación de color laminada
US8849444B2 (en) 2012-02-15 2014-09-30 Regina George Slipcover method and system
WO2013137836A1 (en) 2012-03-13 2013-09-19 Merih Ozcelik Method of making pattern with laser having high efficiency for textile products
US8794724B2 (en) 2012-03-28 2014-08-05 Masonite Corporation Surface marked articles, related methods and systems
CN102704215B (zh) 2012-04-24 2013-09-25 东南大学 基于dst文件解析与机器视觉结合的绣布自动切割方法
DE102012208201A1 (de) 2012-05-16 2013-11-21 Voith Patent Gmbh Verfahren zur Erfassung von Verschmutzung einer Papiermaschinenbespannung
US8885953B2 (en) * 2012-09-01 2014-11-11 Apple Inc. Grain effect
US10442233B2 (en) 2013-09-19 2019-10-15 Revolaze, LLC System and method of generating a pattern used to process a surface of a fabric through laser irradiation, and fabric created thereby
WO2015042441A1 (en) 2013-09-19 2015-03-26 Revolaze, LLC System and method of generating a pattern used to process a surface of a fabric through laser irradiation, and fabric created thereby
CN105980617B (zh) 2013-10-14 2018-11-13 英威达技术有限公司 具有多根弹性纱的可拉伸圆形针织织物
US20150106993A1 (en) 2013-10-18 2015-04-23 The Regents Of The University Of California Anatomy shading for garments
WO2015161315A1 (en) 2014-04-18 2015-10-22 Revolaze, LLC Systems and methods for patterning using a laser
US20150343568A1 (en) 2014-05-27 2015-12-03 Revolaze, LLC Method of laser etching cloth
WO2015195709A1 (en) 2014-06-17 2015-12-23 Candrian Natalie A Methods for producing and merchandising a custom fit pant and custom fit pants
WO2016014417A1 (en) 2014-07-21 2016-01-28 Elevance Renewable Sciences, Inc. Unsaturated polyol esters used in hydraulic fluid applications
EP3209261B1 (en) 2014-10-22 2019-04-10 3M Innovative Properties Company Printed components and methods for making the same
CN204398442U (zh) 2014-12-06 2015-06-17 天津天纺投资控股有限公司 一种新型光感面料
CN104687695A (zh) 2015-03-12 2015-06-10 周士志 一种具有感光效果的箱包
CN104983103A (zh) 2015-05-21 2015-10-21 南通市中和化纤有限公司 一种光敏复合织物
CN204653890U (zh) 2015-05-21 2015-09-23 南通市中和化纤有限公司 一种光敏复合织物
US20160362820A1 (en) 2015-06-10 2016-12-15 4 What It's Worth, Inc. Method for manufacturing a garment having a rigid front portion and a stretchable back portion
US20170258158A1 (en) * 2016-03-10 2017-09-14 Phalanx Freewear Inc. Garment with secured pocket
US9839247B2 (en) * 2016-05-16 2017-12-12 lucy apparel, llc Performance garment having a realistic visual effect of abraded denim
MX2019001777A (es) 2016-08-19 2019-12-11 Strauss Levi & Co Acabado laser de prenda de vestir.
US11241054B2 (en) * 2016-12-13 2022-02-08 Levi Strauss & Co. Multiple apparel products by using fabric templates and laser finishing
US11208761B2 (en) * 2016-12-13 2021-12-28 Levi Strauss & Co. Clothing with enhanced response characteristics for laser finishing
US20190177895A1 (en) * 2017-10-10 2019-06-13 Revolaze Llc Laser Abrasion Methods to Eliminate Hand Sanding, Double Laser Marking, PP Spray and Garments Produced Thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5567207A (en) * 1994-07-31 1996-10-22 Icon, Inc. Method for marking and fading textiles with lasers
US5990444A (en) * 1995-10-30 1999-11-23 Costin; Darryl J. Laser method and system of scribing graphics
WO2001025824A2 (en) * 1999-10-05 2001-04-12 Technolines, Llc A scanned modulated laser for processing material surfaces
CN101775742A (zh) * 2010-01-23 2010-07-14 广东鸿昌服饰创意股份有限公司 牛仔服装的仿旧加工方法
US20160060807A1 (en) * 2014-08-27 2016-03-03 Revolaze, LLC System and method of generating a pattern or image on fabric with linear laser irradiation, fabric made by said method, and products made with said fabric

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HOMERO ROMAN ROMAN, BRANDON YANG, MICHELLE ZHANG: "Photoshop 2.0 Generative Adversarial Networks for Photo Editing", STANFORD UNIVERSITY, pages 1 - 3 *
JUN-YAN ZHU ET.AL.: "Generative visual manipulation on the natural image manifold", LECTURE NOTES IN COMPUTER SCIENCE BOOK SERIES, vol. 9909, pages 597 - 613 *
KAN, CW; WONG, WY: "Color properties of cellulase-treated cotton denim fabric manufactured by torque-free ring spun yarn", TEXTILE RESEARCH JOURNAL, vol. 81, no. 9, pages 875 - 882 *
MARIA C.THIRY;: "鬼斧神工牛仔装――技术助力牛仔装达到时尚新高峰", 纺织导报, no. 02 *
任建华;郑光洪;李振华;邹绍国;: "激光雕花技术在牛仔成衣水洗加工中的应用", 纺织导报, no. 11 *

Also Published As

Publication number Publication date
EP3704608A4 (en) 2021-08-18
EP3704608A1 (en) 2020-09-09
WO2019089859A1 (en) 2019-05-09
US20190130253A1 (en) 2019-05-02
US20220172026A1 (en) 2022-06-02
US20190125015A1 (en) 2019-05-02
US11250312B2 (en) 2022-02-15
US20190125016A1 (en) 2019-05-02
US11952693B2 (en) 2024-04-09

Similar Documents

Publication Publication Date Title
US11851810B2 (en) Collaboration in an apparel design system
US20220172026A1 (en) Jeans with Laser Finishing Patterns Created by Neural Network
US10956010B2 (en) Laser finishing design tool with photorealistic preview of damage assets
US11702783B2 (en) Preventing degradation of stored base templates before laser finishing

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