现代服装材料与应用电子书 100篇专业解读之工学的服装设计与工程专业|上海羊羽卓进出口贸易有限公司

100篇专业解读之工学的服装设计与工程专业

服装设计与工程专业深度解析**

服装设计与工程专业，作为工学中的纺织类专业，在《普通高等学校本科专业目录》中独树一帜。它不仅仅是关于时尚与创意的展现，更是技术与艺术的完美结合。该专业通常设置在纺织与服装学院、艺术设计学院等知名学府，如东华大学服装与艺术设计学院、江南大学设计学院和浙江理工大学服装学院等，它们为这一领域输送了大批的专业人才。

专业特点上，服装设计与工程专业涵盖了服装设计与工程技术两大核心领域。从服装的设计与制造，到服装材料与功能的探索，再到服装市场与营销的策略制定，这一专业都为学生提供了全方位的知识与技能。其培养目标是培养出既懂设计又懂技术，能在服装设计与工程及其相关领域发挥专长的高素质工程应用人才。

在本科阶段，服装设计与工程专业的学生将学习一系列核心课程，如服装设计、服装结构工艺、服装材料学等。以东华大学为例，主要课程包括服装工程导论、女装款式设计、女装结构设计、服装立体裁剪等，这些都是为了让学生掌握从设计到制作的全流程。而在北京服装学院，学生则会学习立体裁剪、服装设计原理等课程，以系统掌握服装设计与工程的相关理论与技能。

就业方面，服装设计与工程专业的学生有着广阔的就业前景。全国普通高校毕业生规模虽然不大，但男女比例却相当悬殊，女性占据了绝大多数。毕业生可以进入服装行业，从事产品开发设计、贸易、生产管理、零售与市场营销等工作。此外，他们还可以选择进入科研机构或报考公务员，甚至可以选择继续深造或跨专业发展。

随着社会的快速发展，服装行业正经历着从传统制造向智能制造、绿色制造的转型升级。这为服装设计与工程专业的学生提供了更多的就业机会和发展空间。他们不仅可以参与到传统的设计、制造和营销环节，还可以涉足数字化设计、智能制造、供应链管理等领域，成为行业的领军人才。

当然，服装设计与工程专业的学生也需要具备一些基本素质。除了扎实的专业知识外，他们还需要具备创新思维、团队协作能力、市场洞察力以及良好的沟通能力。只有这样，他们才能在竞争激烈的服装行业中脱颖而出，成为行业的佼佼者。

总之，服装设计与工程专业是一个充满挑战与机遇的领域。它要求学生不仅要具备创意和艺术感，还要掌握先进的技术和理论知识。只有这样，他们才能在这个行业中取得成

功，为时尚界贡献自己的力量。

生成对抗网络在服装图片遮挡修复上的应用

生成对抗网络在服装图片遮挡修复上的应用

刘敏，朱春

（西安工程大学服装与艺术设计学院，陕西西安 710000)

摘要： 纺织品属于有机物质，其化学稳定性比较差。纺织品文物出土后经常会出现褪色、残缺、破裂、污损等问题，这严重影响了古代服饰的考究。传统的纺织品修复大都采用人工修复的方法，但人工修复费时费力，且修复效果因人而异。基于此，文章用遮挡的服装图片模拟残缺的出土服装，应用生成对抗网络对其进行修复，分析生成对抗网络的修复效果，并建立古代服装数据集，为今后的服装修复研究提供新的思路和途径。

关键词 ：服装；生成对抗网络；遮挡修复

The Application of Generative Adversarial Networks in the Restoration of Occluded Areas in Clothing Images

LIU Min, ZHU Chun

(School of Apparel and Art Design, Xi’an Polytechnic University, Xi’an 710000, China)

Abstract: Textiles belong to organic substances, with relatively poor chemical stability. Textile relics often suffer from issues such as fading, incompleteness, breakage, and contamination after excavation, greatly affecting the meticulous study of ancient costumes. Traditional textile restoration methods mostly rely on manual intervention, which is time-consuming and laborious, with restoration results varying from person to person. Therefore, the article simulates damaged excavated garments using obscured clothing images and employs Generative Adversarial Networks for restoration. It analyzes the restoration effects of Generative Adversarial Networks, establishes a dataset of ancient clothing, and provides new perspectives and avenues for future research in garment restoration.

Keywords: costume; generative adversarial network; occlusion repair

--------------------------------------

基金项目： 陕西省教育厅青年创新团队科研计划项目（23JP061）

第一作者简介： 刘敏（1998－），女，硕士研究生，研究方向为图像处理。

--------------------------------------

0 引言

中国拥有着比较久远的纺织历史，很久以前人们会利用草、树皮等去蔽体；接着慢慢用动物的羽毛经过简陋的编织形成简单的衣物去抵御寒冷；渐渐的随着发展，人们逐渐学会用工具去纺织[1]。除此之外每个朝代的纺织品都有自己比较独特的纺织文化，随着尘封已久的纺织品出土，也渐渐解开了不同朝代的神秘面纱，研究出土的服饰文物有利于考据服饰结构，剪裁工艺，或者去推断墓主身份和生活年代，因此出土纺织品文物修复对我国古代服饰的研究和文化传播有着重要的意义。但由于纺织品的化学稳定性差，出土的纺织品大都有残缺、破损、褪色等病害，这使得人们对服饰纹样、色彩等的考究变得艰难。

随着科技的进步，图像处理逐渐进入大家的视野，图像修复的意义不仅仅在于目前研究方法的逐步改进，更在于其在实际生活中的应用；如壁画方面：陈永等人对残缺的敦煌壁画进行了修复[2]，焦莉娟等人利用改进的块匹配算法对五台山壁画进行了修复[3]，胡雅妮等人利用双判别生成对抗网络对壁画图像进行了虚拟修复[4]等；公路方面：崔二洋等人利用图像修复技术实现对单张路面图像中裂缝的高效语义修复[5]；除此之外还有对象的移除[6]：删除图像中不需要的对象，并对删除后的空缺部位进行补全；修复图像[7]：修复图像因保存的时间过久或保存方法不当造成的如划痕、泛黄等；图片的修饰[8]：对照片进行美化修饰处理，例如去除皱纹、痣、疤痕等面部特征；文字移除：删除图像中不需要的文字、图像，例如水印、照片日期等目标并对移除后的部位进行修复。

目前来说服装修复方面主要是基于人力手工修复，修复方法主要有依靠X射线荧光光谱分析仪去检测污染物的元素成分，利用三维视频显微镜观察纺织物的组织结构，人工进行回潮、护金、清洁、整形、托衬等修复操作；或者基于传统画结合对服装款式的了解去对服装进行临摹，这些基于人力的手工修复，修复效果与个人修复能力有着很大的关系，且修复耗费时间久，因此，在服装修复中引入数字图像虚拟修复技术具有重要的研究价值。

1 研究现状

1.1 古代服饰研究现状

古代服饰是见证了中华历史源远流长的实物，亦是重要的载体承载着中华民族伟大的精神[9]。自古以来，有许多学者从各个角度展开对古代服饰的研究，通过对目前的学术论文成果进行整理归纳，得出主要研究集中在以下几个方面：首先是对古代服饰的款式、纹样、色彩、面料等进行研究。其次有学者研究古代服饰元素在现代服装上的应用，将古代艺术与现代时尚相结合，使古代的元素巧妙地应用在现代的服装设计上。

但在研究过程中服装信息残缺、丢失、仍然是一大难题，这对服装的研究造成了较大的影响。因此对于我国现存的大量古代服饰来说，利用计算机技术学习其相关服饰特征，通过科学的手法对其进行修复，这对服饰的研究有着非比寻常的意义。此外用修复好的古代图片可以为传统手工修复提供参考，避免因修复不当而对文物产生不可逆转的伤害。

1.2 图像修复技术研究现状

图像修复技术最早来源于艺术家们，当时艺术家们对受损的艺术绘画或照片进行修复，使其质量尽可能地接近原始图像。在计算机领域中，就是恢复破损图像缺失区域中的像素，使观察者无法察觉到图像曾经有过缺损或者已被修复。

图像修复方法主要可以分为传统修复方法和基于深度学习的图像修复方法。传统图像修复方法通常是根据破损图像的内容、结构和纹理之间存在的相似性去预测图像中缺失的区域像素；根据修复思想的不同，它可以被分为基于偏微分方程和基于样本的图像修复方法。

（1）基于偏微分方程的图像修复方法，它是利用偏微分方程，将图像中已知区域的像素平滑传播扩散到缺失区域中从而实现对破损图像的修复，它不能修复破损区域大或者纹理比较复杂的图像。

（2）基于样本的图像修复方法通过计算残缺图像的缺失区域与哪个已知区域的相似度最高，将该已知区域复制粘贴到缺失区域从而实现对破损区域的修复；基于样本的图像修复方法对于缺失区域较大且纹理结构较简单的图像修复可以生成质量较高的修复结果，但计算破损区域与已知区域之间的相似度需要大量时间。

总而言之，传统图像修复方法虽然在修复纹理简单的图像时可以生成与原图较为相似的图像样本，但是由于缺乏对图像更高一层语义的理解，导致传统修复方法对结构较复杂的图像修复结果较差。

基于深度学习的图像修复方法根据生成图像数量的不同，可以将其分为单元图像修复方法和多元图像修复方法。

（1）单元修复方法是单入单出，指输入单张残缺图像生成单张的修复图像。单元修复方法依据模型结构类型的不同，可以将这些修复方法细分为Encoder-Decoder类、U-Net类、GAN类和Transformer类。

（2）现存的多元图像修复方法，它的输出结果不受限制具有多样性，这种修复方法很难去保证每个图像的质量，修复后可能会导致图像结构扭曲，纹理模糊等问题。

综上所述，基于对图像修复技术的现状研究，本实验选择了基于深度学习的单元修复方法。

2 研究理论与技术

2.1 总体技术路线图

我们的研究大体可以分为如下几个阶段，第一阶段是对史料中记载的古代服饰的款式、形制、色彩、纹样进行整理；第二阶段是对古代服饰进行数字化采集；第三阶段是对采集到的图片利用数据增强方法去扩充原有的数据集，从而建立服装数据库；第四阶段是针对已建立的数据库去选取合适的生成对抗网络对服装修复模型进行训练，利用训练好的模型去修复遮挡的服装图片，具体流程如图1所示。

图1 技术路线图 Fig.1 Technology roadmap

2.2 研究理论DCGAN

Goodfellow等人因受到了博弈论的启发，提出了生成对抗网络（Generative Adversarial Networks，GAN），该网络主要由生成器G（Generator）和判别器D（Discriminator）两部分构成，输出结果的概率越接近0.5，得到的图像也就越接近真实的图像。

DCGAN模型是以GAN模型为基础提出的，该网络也是由生成器和判别器组成的，它的生成器具有转置卷积结构，从而尽可能地生成越接近真实图像的样本；判别器具有卷积结构，从而对生成的样本和真实样本进行更准确的判别[10]。两者互相对抗互相博弈，各自优化自己的性能，使得生成的图像越接近原始的图像。其生成器与判别器的目标函数如式（1）所示：

minGmaxDV(D,G)=Ex∼Pr(x)[log(D(x))]+Ez∼Pg(z)[log(1−D(G(z)))] (1)

本文选择的DCGAN的生成器结构和判别器的结构大致如图2所示：生成器有5个转置卷积层，其中从噪声向量到生成第一个特征图也用了一个转置卷积层，4个BN层，4个ReLU层，1个Tanh输出集合层；判别器有5个卷积层，最后一个特征图到噪声向量也用了一个卷积层，3个BN层，4个LReLU层，1个Sigmoid输出激活层。

图2 DCGAN Fig.2 DCGAN

2.3 数据收集与处理

（1）图片收集：此次实验的图片主要通过书籍拍照上传，网络爬虫等方法收集，书籍主要有《中国丝绸服饰全集》《中国少数民族戏曲剧种发展史》《服饰中华：中华服饰七千年第一卷》《服饰中华：中华服饰七千年第二卷》《服饰中华：中华服饰七千年第三卷》《服饰中华：中华服饰七千年第四卷》《中国历代服饰文物图典》《清代女子服装》《中国传统服饰清代服装》《中国敦煌历代服饰图案》《清宫服饰图典》《中华民族服饰结构图考》《中国历代服饰文物图典：隋唐五代》《中国历代服饰文物图典：清代》《图解中国传统服饰》《明鉴：明代服装形制研究》等，对收集后的图片进行筛选后我们得到823张高质量的图片。

（2）训练集：首先对收集到的图片进行去除杂乱背景等的操作，然后对图片利用数据增强方法进行扩充，该实验用到的数据增强方法有：放大、缩小、图片的旋转（45°、90°、180°、270°）、翻转（水平翻转、垂直翻转）、明亮度改变（变亮、变暗）、像素平移、添加噪声（椒盐噪声、高斯噪声），经数据增强后得到扩充后的图片共计9 831张；由于生成对抗网络对图片的尺寸有一定的要求。因此该实验对得到的图片进行尺寸的处理，统一其大小为256*256。

（3）测试集：选取部分图像用python实现掩码操作，用掩码块去遮挡服装的部分结构去模拟残缺的服装，该实验掩码块设置为3，经操作得到图片共计446张。

2.4 遮挡图片修复实验

该实验平台硬件环境的 CPU 为 Intel(R) Core(TM)i7-10700 CPU @2.90GHz，显存为16G，GPU为NVIDIA GeForce RTX 2080Ti。软件环境使用Win 10操作系统，Pycharm版本为2021，Python版本为 3.7。

该实验采用DCGAN网络进行模型的训练，图片通道数nc=3，噪声维度nz=100，生成器的特征图通道数单位ngf=64，判别器的特征图通道数单位ndf=64，利用训练好的模型对遮挡的图像进行复原，其复原结果如图3和图4所示，通过结果可以看出整体复原效果较好，但纹样细节较原图相比还有些许偏差。

图3 复原结果1 Fig.3 Recovery result 1

图4 复原结果2 Fig.4 Recovery result 2

3 结论

本文将深度学习的DCGAN网络应用于非遗文化遗产保护领域中的服装修复问题，依据修复结果可以看出，DCGAN网络可以较好的复原出服装的色彩，对服装的纹样也可大致复原出，但仍有部分细节没有复原，出现此结果的原因大致有以下几点：（1）样本数量不多；（2）该实验所用样本是基于手机拍摄的，清晰度有一定的限制；（3）样本中关于纹样特写的图片较少，对纹样细节训练不够到位。

纺织品图像的结构颜色与纹理颜色不同，并且纺织品文物图像的纹理规律比较强，这会导致修复过程中纹理部分对结构部分造成较大的影响，使复原效果不够理想，针对以上问题后期优化时拟采取的解决方案为：（1）扩充样本数量，重新进行模型的训练。（2）采取扫描的方式获得书籍里的样本数据（3）对纹样进行单独拍摄纳入样本集进行训练。（4）拟采用k-means聚类方法先对数据做预处理，分离纹理与结构。

参考文献：

[1]陈杨.保护性修复方法在纺织品服装上的应用[J].人类文化遗产保护,2011(00):57-64.

[2]陈永,陶美风.敦煌壁画数字化修复方法综述[J].软件导刊,2021,20(05):237-242.

[3]焦莉娟,王文剑,李秉婧等.改进的块匹配五台山壁画修复算法[J].计算机辅助设计与图形学学报,2019,31(01):118-125.

[4]胡雅妮,李光亚,韩晓东,等.基于双判别生成对抗网络的壁画图像虚拟修复[J].国外电子测量技术,2022,41(06):14-19.

[5]崔二洋,路娜,阎志文.针对单张沥青路面图像中裂缝的高效语义级修复[J].计算机系统应用,2023,32(02):150-159.

[6]Qureshi M A, Deriche M J S P I C. A bibliography of pixel-based blind image forgery detection techniques[J]. Image Communication, 2015,39(PA): 46-74.

[7]Guillemot C, Le Meur OJIspm. Image inpainting: Overview and recent advances[J]. IEEE Signal Processing Magazine, 2014,31(01):127-144.

[8]Elharrouss O, Almaadeed N, Al-Maadeed S, et al. Image inpainting: A review[J]. Neural processing letters, 2020, 51(2): 2007-2028.

[9]李华飙,孟竹,李洋,等.古代服饰数字化保护与修复技术初探[A]//北京数字科普协会.数字技术拓展博物馆服务——2021年北京数字博物馆研讨会论文集[C].北京:中国戏剧出版社(CHINA THEATRE PRESS),2021:8.

[10]李春华,付睿智,刘玉坤,等.基于改进DCGAN轮胎缺陷图像生成方法[J].河北科技大学学报,2023,44(04):346-355.

原载：《西部皮革》杂志2024年2月第4期