CN116050284B

CN116050284B - 一种利用aigc技术的时装再设计系统

Info

Publication number: CN116050284B
Application number: CN202310314857.XA
Authority: CN
Inventors: 张卫平; 刘顿; 王丹; 丁园; 向荣
Original assignee: Global Digital Group Co Ltd
Current assignee: Global Digital Group Co Ltd
Priority date: 2023-03-29
Filing date: 2023-03-29
Publication date: 2023-06-09
Anticipated expiration: 2043-03-29
Also published as: CN116050284A

Abstract

本发明提供一种利用AIGC技术的时装再设计系统，所述再设计系统基于服饰的基础方案，由用户设定目标对象以及预期目标，进行对所述基础方案的再设计，以提高目标对象对用户的好感度，提高预期目标的达成程度；该再设计系统包括：输入模块，被配置为输入所述再设计系统需要的信息数据；处理模块，配置有应用深度学习神经网络的运算单元，被配置入对信息数据进行运算处理并输出运算结果；输出模块，用于对再设计后的服装样式进行输出；通过所述再设计系统，用户能够针对即将要进行的会面的目标对象的特征、会面目的、包括会面时间以及地点，在服装的基础方案上作出设计性的再设计，以提升会面的最终效果。

Description

一种利用AIGC技术的时装再设计系统

技术领域

本发明涉及人工智能处理设备领域。具体而言，涉及一种利用AIGC技术的时装再设计系统。

背景技术

现今的服装设计已经广泛应用各种系统和技术，其中包括计算机辅助设计系统（CAD）、3D打印技术、虚拟现实技术、智能面料、智能纤维等。应用以上这些可以大大提高时装设计师的工作效率，或者令设计师的创意空间能更好地发挥。然而对于普通消费者来说，由于缺乏相关的设计知识和理念，时装设计技术对其来说难度较大，因此普通消费者的创意和想法大多被压仰或埋没。然而随着人工智能技术的发展，这方面的难题有望得到解决。其中包括应用AIGC技术，以帮助人们进行艺术作品方面的创作。

AIGC（Artificial Intelligence Generated Content）是人工智能生成内容的缩写，可以用于创造各种内容，包括文字内容、影像图画、音乐；同时基于其对影像图画的创造能力，可以利用其进行时装方面的设计，包括可以使普通人完成对已有时装方案的二次设计，以满足其对于个性化服装穿着的需求。

根据已公开的技术方案，公开号为CN107408279B的技术方案利用两套服装方案的形状、元素、颜色等特征进行合成，从而生成新的服装设计方案；公开号为WO2018237352A1的技术方案提出一种在线协同服装设计系统，该系统包括的设计界面可通过网络访问，并配置为查看、批准、选择并将两个或多个数字服装部件放置在一起以形成数字服装以存储在存储设备中；公开号为JP2004252594A的技术方案提出一种服装设计辅助方法，能够在考虑每个动作或每个人彼此不同的物理或生物特征的情况下优化设计服装，其通过将生物体的物理形状数据输入为三维坐标，并显示物理形状的三维多边形数据作为服装设计时的框架数据，以辅助生成服装的准备尺寸。

以上技术方案均提及到了利用数字、通信、视觉技术进行服装设计，但基于人工智能化的自生成技术，针对更为具体的服装穿着场合和目的的服装再设计方案还少有提及，该领域的技术方案还有待发掘。

背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。

发明内容

本发明的目的在于，提供一种利用AIGC技术的时装再设计系统，所述再设计系统基于服饰的基础方案，由用户设定目标对象以及预期目标，进行对所述基础方案的再设计，以提高目标对象对用户的好感度，提高预期目标的达成程度；该再设计系统包括：输入模块，被配置为输入所述再设计系统需要的信息数据；处理模块，配置有应用深度学习神经网络的运算单元，被配置入对信息数据进行运算处理并输出运算结果；输出模块，用于对再设计后的服装样式进行输出；通过所述再设计系统，用户能够针对即将要进行的会面的目标对象的特征、会面目的、包括会面时间以及地点，在服装的基础方案上作出设计性的再设计，以提升会面的最终效果。

本发明采用如下技术方案：

一种利用AIGC技术的时装再设计系统，所述再设计系统基于服饰的基础方案，由用户设定目标对象以及预期目标，进行对所述基础方案的再设计，以提高目标对象对用户的好感度或者提高预期目标的达成程度；所述再设计系统包括：

输入模块，被配置为输入所述再设计系统需要的信息数据，包括所述基础方案、用户信息、目标对象信息以及至少一个预期目标；

存储模块，被配置为存储所述再设计系统的信息数据，并向所述再设计系统的其他各模块提供所需的数据；

处理模块，配置有应用深度学习神经网络的运算单元，被配置入对信息数据进行运算处理并输出运算结果；

输出模块，用于对再设计后的服装样式进行输出；

其中，所述再设计系统分析目标对象的多个特征，结合目标对象与用户的关系以及过往交互事件，以及目标对象近期所经历的外部事件，由所述处理模块对现有的所述基础方案进行服饰元素的再设计操作，包括增加、修改或删减服饰元素；

所述再设计系统包括生成多个第一设计方案，并由用户对多个所述第一设计分案按优先认可程度进行排序，所述处理模块对排序中认可程度较高的至少一个所述第一设计方案进行二次设计后，获得至少一个第二设计方案，并将所述第二设计方案输出到用户；

优选地，所述输入模块包括采用以下一种或一种以上的方式，获取目标对象的相关信息：

（1）目标对象的社交网站；

（2）用户与目标对象的交流记录，其中交流记录的形式包括以语音、文字、图像或其他更多形式；

（3）由用户向所述输入模块提供的目标对象的信息；

（4）目标对象的其他公开资料；

优选地，所述处理模块根据目标对象的相关信息，分析目标对象多个特征，其中包括：衣着习惯、日常行为习惯、交友习惯；

优选地，用户包括向所述再设计系统提供自身的参考信息，包括：个人身体信息、衣着喜好，以及用户与目标对象的关系；

优选地，用户包括向所述再设计系统提供与目标对象的下次会面地点的相关信息和会面时间；

进一步的，所述再设计系统包括应用一种再设计方法；所述再设计方法包括以下步骤：

S100：获取衣饰的基础方案、用户信息、目标对象信息以及至少一个预期目标；

S220：根据用户信息，更新所述基础方案的衣饰尺寸，以适合用户当前身体尺寸；

S300：将步骤S100以及S220中的所有信息输入所述深度学习神经网络，以生成多个第一设计方案；

S400：用户对多个所述第一设计方案进行认可程度的排序，生成第一排序；

S500：所述再设计系统对第一排序中认可程度较高的至少一个所述第一设计方案进行二次设计后，获得至少一个第二设计方案，并将所述第二设计方案输出到用户。

本发明所取得的有益效果是：

本发明的再设计系统具别于以往由用户进行设计主导的方式，通过人工智能深度神经网络进行服装的再设计输出，并且可以同时产生大量的再设计方案，大幅提升了再设计工作的效率；

本发明的再设计系统能够基于用户、目标对象的个人基本信息，以及两者的关系和相关经历，还包括基于目标对象的更多方面的过往经历信息，再加上针对用户与目标对象会面的目标和会面的地点、时间特点，使人工智能深度神经网络作出更为针对性的再设计方案；

本发明的再设计方法能够由用户基于专注力机制，将用户着重考虑的因素进行权重提高，同时忽略其他较次要的元素，使得再设计的方案具有向特定的因素特征的倾向性；

本发明的再设计系统中各软、硬件部分采用了模块化设计，方便今后的升级或者更换相关的软、硬件环境，降低了使用的成本。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。

图1为本发明实施例中所述再设计系统的示意图；

图2为本发明实施例中所述处理模块基于深度学习神经网络进行再设计步骤的示意图；

图3为本发明实施例中生成袖子部分的示意图；

图4为本发明实施例中生成领子部分的示意图。

附图标号说明：12-计算设备；14-处理模块；16-易失性存储器；18-输入模块；20-输出模块；22-通信总线；24-非易失性存储器；26-深度学习神经网络；28-编码模块；30-生成模块；32-判别模块；34-再设计模型；40-基础方案；42-再设计方案。

具体实施方式

为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内。包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位。以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例一：示例性地，提出一种利用AIGC技术的时装再设计系统，所述再设计系统基于服饰的基础方案，由用户设定目标对象以及预期目标，进行对所述基础方案的再设计，以提高目标对象对用户的好感度或者提高预期目标的达成程度；所述再设计系统包括：

处理模块，配置有应用深度学习神经网络的运算单元，被配置为对信息数据进行运算处理并输出运算结果；

输出模块，用于对再设计后的服装样式进行输出；

（1）目标对象的社交网站；

（3）由用户向所述输入模块提供的目标对象信息；

（4）目标对象的其他公开资料；

S300：将步骤S100以及S200中的所有信息输入所述深度学习神经网络，以生成多个第一设计方案；

S500：所述再设计系统对第一排序中认可程度较高的至少一个所述第一设计方案进行二次设计后，获得至少一个第二设计方案，并将所述第二设计方案输出到用户；

如附图1所示，示出了所述再设计系统的一个示例性的架构示意图；所述再设计系统包括计算设备12，该计算设备12包括处理模块14、易失性存储器16、输入模块18、输出模块20和非易失性存储器24；非易失性存储器24用于存储所述再设计系统所需的数据、应用程序或其他必要的信息；其中，所述处理模块14连接到一个深度学习神经网络26，深度学习神经网络26利用处理模块14的运算能力进行人工智能运算；所述应用程序包括用于所述再设计系统对信息进行输入、分析，并生成服饰的再设计方案时所需要用到的任何算法、程序；并且优选地，所述应用程序中包括用于深度学习神经网络26进行AIGC技术运算的程序；总的来说，所述深度学习神经网络26以计算设备12作为运行的硬件主体进行工作；

优选地，计算设备12中包括通信总线22，其可以将处理模块14、输入模块18、输出模块20和易失性存储器16可操作地耦合到非易失性存储器24；虽然所述深度学习神经网络26描述为托管（即，执行）在一个计算设备12处，但是应当理解，深度学习神经网络26可替代地跨多个计算设备托管，计算设备12通过网络通信耦合到其他多个计算设备；

其中，处理模块14包括一个或多个处理器，处理器可以为例如中央处理单元（CPU）、图形处理单元（GPU）、专用集成电路（ASIC）、片上系统（SOC）、现场可编程门阵列（FPGA）、逻辑电路或被配置为执行本文所述的功能的其他合适类型的微处理模块中的一个或多个；

进一步的，所述存储模块可包括易失性存储器16以及非易失性存储器24；

易失性存储器16可以为例如随机存取存储器（RAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）等，其仅在程序执行期间临时存储数据，并且在停止电源电力支持后失去存储功能；在一些示例中，可以使用非易失性随机存取存储器（NVRAM）；

优选地，非易失性存储器24是即使在没有外部施加电源的情况下也能保持指令存储数据的存储器，例如闪存、硬盘、只读存储器（ROM）、电可擦可编程存储器（EEPROM）等；在非易失性存储器24中包括用于所述再设计系统完成本文所述操作的指令的程序，以及这些程序使用的足以执行本文所述操作的数据，例如存储本文上述的基础方案、用户信息、目标对象信息、预期目标，以及所述再设计系统在创作过程中所生成的所述第一设计方案以及所述第二设计方案；

在一些实施方式中，输入模块18可以连接到输入设备，如键盘、鼠标、录音/录像设备等，参与者和主持人通过输入设备对所述再设计系统输入如文字、视频、音频等型式的信息；

在一些实施方式中，输出模块20可以连接到输出设备，例如显示器、音响、灯光或者其他可用于显示信息的物件中；用户通过一套输出设备接收来自所述再设计系统的输出信息，另外，输出模块可以为诸如平板电脑或者移动电话等个人设备，接收由所述再设计系统发送的不能公开的私密信息；在此不作具体运作方式的限定；

基于以上硬件以及软件设置，计算设备12执行人工智能计算，以实现人工智能生成内容（AIGC）的运算平台；

进一步的，所述处理模块通过应用所述深度学习神经网络26，对大量服装、饰物、以及服装与饰物的搭配进行学习、分析、理解，训练用于服装再设计的再设计模型34，并其应用于服装的再设计；

其中，所述深度学习神经网络26包括有编码模块28、生成模块30以及判别模块32；以下以附图2说明所述深度学习神经网络26的服装再设计生成流程；

如附图2所示，首先使用编码模块28中的神经网络提取所述基础方案40的特征，编码模块28对给定的基础方案40进行下采样，直到它被压缩成低维隐空间，即编码模块28将给定的基础方案40输入映射到隐向量P表示，具体的：所述隐向量P由基础方案40的特征信息映射到特征隐空间形成；该隐向量P包含了给定输入基础方案40的语义属性，例如，类别，颜色，样式等，并且将其作为生成目标服饰物品的基本依据，其中，所述特征信息为系统基于基础方案获取的表达基础方案特征的信息；

进一步的，用户向所述再设计系统输入自身的基本信息，其中包括：

身材尺寸，用于生成合适尺码的服装；

个人衣着喜好，例如类别，颜色，样式等喜好；用户可以通过所述再设计系统提供其喜爱的服饰的资料，例如图片、视频片段等；而在一些实施方式中，包括由所述再设计系统向用户提供多个示范性的服饰的资料，例如图片或视频片段等，由用户选择资料中其喜好程度较高的服饰，所述处理模块14再根据用户的喜好选择，分析其个人衣着喜好特征；所述处理模块14通过分析，生成可学习的向量ψ来描述用户的个人衣着喜好；可以理解地，该向量ψ也是编码模块神经网络参数的一部分；并且向量ψ在所述再设计模型34的训练期间，是逐渐完成对用户衣着喜好的建模，其可以从已有的数据集中捕获到用户对服饰搭配的差异性或者相似性，进而更好地提升再设计模型34的性能；

更多的示例方式中，用户可以输入与目标对象的关系、与目标对象会面地点的相关信息，以及会面时间等，例如是属于运动场地，或者需要正式着装的晚宴场合等，以提供更多服饰再设计时的信息，以此在向量ψ中产生更多参数，从而影响再设计模型的网络参数；

进一步的，目标对象的相关信息包括从多个方面获取；例如，

目标对象的社交网站；

用户与目标对象的交流记录，其中交流记录的形式包括以语音、文字、图像或其他更多形式；

由用户向所述输入模块提供的目标对象的信息；

目标对象的其他公开资料；

上述渠道仅作为示例性的列举，并不作为对本发明的限定实施方式；并且，目标对象的资料包括以语音、文字、图像等形式出现；基于不同形式的资料，所述深度学习神经网络26可以应用多种技术进行处理；

在一些实施方式中，深度学习神经网络26包括应用人工智能的自然语言处理技术，用于对文字材料分析；其方法或原理包括以下几个步骤：

文本分析：通过分词、词性标注、命名实体识别等技术，将一段文字材料进行分析，提取出其中的人物名字、行为、情感等相关信息；

实体识别：根据文本中的实体信息，识别出其中的人物实体，并进行实体关系抽取。通过分析人物之间的关系，可以进一步了解他们之间的互动关系、性格特征等；

情感分析：通过对文本中的情感词汇进行识别和分析，了解人物的情感倾向和情绪状态，包括情感正负、强度、极性等；

特征提取：根据文本中提取出的人物信息和情感特征，对人物形象的各种特征进行提取，包括外貌、性格、经历、社会地位等；

数据挖掘：将提取出的特征进行归纳和分析，得出参与者的多个评估数值；其中，文字材料包括直接向所述再设计系统输入的文字类数据，或者通过将音频信息转换为文字信息的方法获得；

在一些实施方式中，深度学习神经网络26包括通过人工智能分析图像资料中的人物的特征，其中的技术包括目标检测、人脸检测、人脸识别、面部表情识别、姿势估计等等；目标检测技术可以识别图像中的人物，标记出他们的位置；人脸检测技术可以进一步检测人物的面部，定位并提取出面部特征；人脸识别技术可以将图像中的人物与预先标记的人物库进行匹配，确定他们的身份；面部表情识别技术可以分析人物的表情，推断出他们的情绪状态；姿势估计技术可以检测人物的身体姿势，推断他们的动作或状态；

进一步的，在一些实施方式中，深度学习神经网络26包括通过计算机视觉技术，包括但不限于以下几种：

物体检测：通过训练模型，识别图像中的物体，通常使用的算法有RCNN、FastRCNN、Faster RCNN、YOLO等；

人脸识别：通过人脸检测、对齐、特征提取等技术，将图像中的人脸与数据库中的人脸进行比对，以确定身份；

姿态估计：通过对图像进行解析，推断出人物的姿势信息，可以用于动作识别、人体分割等应用；

人体分割：将图像中的人物和背景进行分离，以便更好地理解人物的位置、形状等信息；

行为识别：通过视频分析，提取出人物的运动轨迹、姿势等信息，识别出人物的行为，常用的算法有CNN、LSTM等；

目标跟踪：通过追踪图像序列中的物体，推断出物体的位置、速度等信息，以实现目标跟踪的功能；

上述的技术可以单独或结合使用，根据不同的应用场景和需求，对目标对象的多个特征进行分析和识别；包括目标对象的日常喜好、厌恶的事物或活动、饮食习惯、日常服饰穿搭习惯等，还可以包括目标对象的经历事件以及；

这些技术通常需要大量的数据和计算资源来训练模型和进行分析，并以此形成应用于识别模型，以识别在多种类型信息中的参与者的多个特征，以及对这些特征进行量化以产生对深度神经网络中多个参数及其权重的调节；

所述处理模块14通过分析，生成可学习的向量γ来描述目标对象的个人特征；需要理解的是，生成的向量γ可以包括正向的代表目标对象的喜好的特征参数，同时亦可以包括反向的代表目标对象的厌恶的特征参数，以适应用户对预期目标的不同选择；

进一步，用户向所述再设计系统输入与目标对象会面的预期目标，例如是情侣约会以增进双方感情，或者是商业谈判，或者只是普通的会面交流；类似地，由所述处理模块根据预期目标的特征，生成代表预期目标的向量τ；

最终，根据用户的个人衣着喜好特征，将代表基础方案40特征的隐向量P、代表用户特征的向量ψ、代表目标对象的向量γ、代表预期目标的向量τ结合，按逐元素乘积的每个通道结合，作为生成模块30的输入；

进一步的，所述生成模块30示例性地可以由一个多层反卷积网络构成，该多层反卷积网络用于服饰的再设计方案的生成；在一种实施方式中，生成模块30的结构参数包括1层全连接层和6层反卷积层，全连接层的维度为8×8×256，全连接层后面依次连接1层批量归一化网络层和1层激活层，该激活层的激活函数采用LeakyReLU函数；DeConv m(其中m＝1,2 ,…,6)表示第m层反卷积层，其由相应反卷积层右侧的前三个参数表征，分别表示第m层反卷积层卷积核的大小，维度，卷积步长，每一层反卷积层后面均依次连接1层批量归一化网络层以及1层激活层，第1-5层反卷积层连接的激活层的激活函数均采用LeakyReLU函数，第6层反卷积层连接的激活层的激活函数采用Tanh函数；

进一步的，判别模块32用于判别生成的再设计方案的质量，形成对抗训练；所述判别模块32作为深度学习神经网络26的判别部分，用于指导生成逼真的再设计方案42；并且判别模块32还包括用于学习给定输入的基础方案40与再设计方案42之间的配合度以及学习输入的基础方案40与用户信息、目标对象信息以及预定目标之间的配合度，通过评分指导生成模块30的学习；

通过以上设置，连续生成多个再设计方案42的集合，即所述第一设计方案，并提供到用户进行优先认可程度的排序；

进一步的，包括依据多个服饰属性特征建立树结构，以服饰中各个部分，例如领部、肩部、袖部、前胸部、后背部、下摆部等为总的大类即树的根节点，服饰属性的每一部分通过相互连结的属性进行相连；

在一些实施方式中，如附图3和附图4所示，在生成模块30中生成的多个再设计方案42的多个部分；附图3中，基于基础方案40的袖子部分，分别生成了(a)、(b)、(c)三个方案；在附图4中，基于基础方案40的领子部分，分别生成了(a)、(b)、(c)三个方案；类似地，可以生成更多的服饰的部分，并且通过连结算法其多个部分进行合理组合，形成整体的服装设计方案；

利用所建立的服饰属性属性树，采用隐语义模型，根据用户对所述第一设计方案的优先认可程度的排序，建立“用户—服饰”评价矩阵，并把“用户—服饰”评价矩阵分解为“用户—隐含特征”矩阵和“服饰—隐含特征”矩阵；

进一步的，根据“用户—隐含特征”矩阵和“服饰—隐含特征”矩阵，分别提取“用户—特征”关键词，以及提取“服饰—特征”关键词，再分别根据各自出现的高频词和低频词构建特征向量；

通过“用户—服饰”评价矩阵的元素作为训练集进行学习，根据构建出的特征向量进行划分，算出用户对某一个服饰的喜好程度的概率，并依据概率大小进行排序得到排序模型，从评价矩阵中随机选取20%的元素作为样本建立测试集，利用测试集根据所述排序模型进行再设计方案的生成，最终获得第二设计方案列表推荐给用户。

实施例二：本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；

在一些实施方式中，为有重点地关注目标对象的指定领域的喜好特征，而忽略其他不重要的喜好特征，例如对颜色的喜好而忽略对服装长短的喜好，或者对欧式服装的喜好而忽略对颜色的喜好等，可以由用户对所述再设计系统设置一个或多个注意力模块；

在一些实施方式中，包括以下步骤：

在所述编码模块28的中确定代表目标对象的向量γ；

在所述编码模块28的深度神经网络中，加入用户指定的需要重点关注的目标对象的指定特征，处理后得到关注偏好特征向量；

在所述注意力模块中使用所述关注偏好特征向量对向量γ进行注意力机制加权，使用关注偏好特征向量对向量γ加权后的特征向量γ´；

使用向量γ´参与后续向生成模块30的输入，进行再设计方案的生成。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。

在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。

综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims

1.一种利用AIGC技术的时装再设计系统，其特征在于，所述再设计系统基于服饰的基础方案，由用户设定目标对象以及预期目标，进行对所述基础方案的再设计；所述再设计系统包括：

处理模块，配置有应用深度学习神经网络的运算单元，被配置对信息数据进行运算处理并输出运算结果；

输出模块，用于对再设计后的服饰样式进行输出；

其中，所述再设计系统分析目标对象的多个特征，结合目标对象与用户的关系以及过往交互事件，以及目标对象近期所经历的外部事件，由所述处理模块对现有的所述基础方案进行服饰元素的再设计操作，所述再设计操作包括增加、修改或删减服饰元素；

所述再设计系统包括生成多个第一设计方案，并由用户对多个所述第一设计方案按优先认可程度进行第一排序，所述处理模块对第一排序中认可程度较高的至少一个所述第一设计方案进行二次设计后，获得至少一个第二设计方案，并将所述第二设计方案输出到用户；

所述输入模块包括采用以下一种或一种以上的方式，获取目标对象的相关信息：

目标对象的社交网站；

用户与目标对象的交流记录，其中交流记录的形式包括以语音、文字、图像；

由用户向所述输入模块提供的目标对象的信息；

目标对象的其他公开资料；

所述处理模块通过应用所述深度学习神经网络，对大量服装、饰物、以及服装与饰物的搭配进行学习、分析、理解，训练用于服装再设计的再设计模型，并将其应用于服装的再设计；

其中，所述深度学习神经网络包括有编码模块、生成模块以及判别模块；

编码模块中的神经网络提取所述基础方案的特征，编码模块对给定的基础方案进行下采样，直到它被压缩成低维隐空间，即编码模块将给定的基础方案输入映射到隐向量P表示，所述隐向量P由基础方案的特征信息映射到特征隐空间形成；该隐向量P包含了给定输入基础方案的语义属性，并且将其作为生成目标服饰物品的基本依据，其中，所述特征信息为系统基于基础方案获取的表达基础方案特征的信息。

2.如权利要求1所述再设计系统，其特征在于，所述处理模块根据目标对象的相关信息，分析目标对象多个特征，其中包括：衣着习惯、日常行为习惯、交友习惯。

3.如权利要求2所述再设计系统，其特征在于，用户包括向所述再设计系统提供自身的参考信息，包括：个人身体信息、个人衣着喜好，以及用户与目标对象的关系。

4.如权利要求3所述再设计系统，其特征在于，用户包括向所述再设计系统提供与目标对象的下次会面地点的相关信息和会面时间。

5.如权利要求4所述再设计系统，其特征在于，所述再设计系统包括应用一种再设计方法；所述再设计方法包括以下步骤：

S100：获取服饰的基础方案、用户信息、目标对象信息以及至少一个预期目标；

S200：根据用户信息，更新所述基础方案的服饰尺寸，以适合用户当前身体尺寸；

S400：用户对多个所述第一设计方案进行认可程度的排序；

S500：所述再设计系统对排序中认可程度较高的至少一个所述第一设计方案进行二次设计后，获得至少一个第二设计方案，并将所述第二设计方案输出到用户。