深兰做了个DeepVogue：AI也能设计服装了

本篇文章2259字，读完约6分钟

【艺邦动力新闻】近日，2019中国国际服装设计创新大赛在上海海沙国际会展中心落下帷幕。经过16名决赛选手的激烈角逐，欧洲设计学院的瓦伦丁娜·科森扎和吉亚达·佩特罗尼获得了冠军，申兰科技的迪普vogue获得了亚军，荷兰应用技术大学的艾里斯·范·威获得了第三名。值得一提的是，获得亚军的深蓝科技深度时尚服装辅助设计系统，是16支参赛队伍中唯一的非“人体设计师”，并获得了50位公众点评投票的“最受欢迎奖”。

自从阿尔法狗席卷全球以来，人们对人工智能的理解达到了一个新的水平，毫无疑问，人工智能可以部分取代人的工作。因此，近年来出现了基于人工智能技术的科技产品和服务。然而，在大多数人的心目中，人工智能仍然主要依赖于计算机的密集运算和穷举能力，因此它更适合于做要求精度和速度的“机械劳动”和“印象”工作。深蓝深度时尚作为人工智能在设计领域的一次尝试，一经出现就取得了良好的效果，似乎从另一个角度指出了人工智能未来的工业应用方向。

什么是人工智能+设计

服装行业的一些从业者曾经说过，在服装行业很难找到优秀的设计师，顶级设计师被超级头品牌所垄断，这直接导致了品牌间抄袭金钱的潜规则，不同品牌的服装设计同质化，品牌开始沉迷于营销而非设计。

在销售的前端，支持消费者定制已经成为必要的零售能力之一。如何根据个人需求快速匹配生产能力可能成为下一阶段零售竞争的焦点。

在目前这两个维度的情况下，一套能够帮助设计师快速找到灵感并有效定制的工具是相当有想象力的。

深度时尚是神兰科技推出的具有原创服装设计能力的产品规划辅助设计系统。它使用诸如gan、vae和同伴学习等技术，赋予人工智能非线性思维，从而获得“设计天赋”。深蓝科技集团深究科学家方林博士认为，深度时尚的更大意义在于让人们认识到人工智能也可以做好非线性创造，从而再次获得人工智能场景的更大突破性应用。

据介绍，设计师可以使用deepvogue系统将自己收集的时装走秀图片、产品照片等资料导入系统。在设定了他们想要的设计主题或关键词后，deepvogue将通过深入学习推出一个全新的、没有重复风格的原创时尚插画。设计师根据时装插图进行筛选，结合服装品牌定位、具体公司的产品组合策略、成本预算等因素，对成衣进行打样和修改，实现服装的最终大批量生产。据报道，deepvogue系统的早期目标受众是专业时装设计师和时装品牌。从长远来看，向所有人开放系统功能是可能的，这样整个人就可以通过自己的想法定制自己的衣服。

因为不同的设计风格的输出可以设置，重点是提供灵感，而不是给最终的设计方案，深度时尚系统可以为设计师定制。同时，由于更多的灵感有所帮助，使用该系统的服装品牌几乎不可能因为人工智能设计而遭受版权问题。

对于深度时尚系统的早期目标受众来说，首先解决核心问题就足够了。

深度时尚的能力和无能

如上所述，deepvogue系统的长期目标是让所有人都能简单地根据自己的想法定制自己的衣服。

这是典型的。听起来容易，但做起来难。

事实上，在充分的公共设计材料的基础上，在深度时尚系统中，每个人独立设计服装可能并不太困难:优化“小白”的可用性，利用通用设计能力实时计算设计结果，问题在于如何有效地从设计到成衣的流程。

事实上，这就是工业互联网的理念:所有的生产要素都是网络化的，然后生产过程是由需求产生的，所有的资源都是自动配置的，以处理产品，交付产品并满足客户需求。对于服装定制，人们的身材可以通过输入或上传照片自动分析，但材料、原材料、染色、裁剪、物流等。设计出来后需要紧密合作才能达到真正的效率。

在比赛现场，来自中国金顶奖服装设计大师张肇达的评论出人意料，他在现场表示，深蓝科技深度时尚系统的设计“从服装的结构与划分、面料的搭配、服装的多样性，整体来看，都存在整体性无法发现的问题，但仍有局部性可以在现代性和创新性上得到加强。”"

让人工智能的设计在一夜之间超越人类的创新可能只是一个奢望，但考虑到deepvogue系统的研发是一群程序员，这样的评论似乎并不难接受。一集是神兰科技的技术团队在刚刚结束的2019年pakdd汽车挑战赛中获得第一名，这表明应用层强制技术升级可能成为技术能力增长的主流方式。

“一起学习”

我总是谈论技术，但这些问题也与技术密不可分。例如，深度时尚系统提升的设计能力能在技术上轻易复制吗？深度时尚系统的障碍是什么？

神兰引进了一个看似高深莫测的词“共同学习”，这也是神兰自主研发的核心技术之一。在深度时尚系统中，同伴学习可以准确把握时尚的特征。基于这些特征生成的时装t台图像的质量比流行的gan(生殖对抗模型)高得多。该模型参数少，结构简单，训练速度快。据说在甘，一小时的集体学习训练比一天的训练效果好。

在传统的深度学习模型中，样本之间没有联系。这个模型只处理孤立的样本。团队学习是不同的，它处理一对一的样本。在训练时，模型不仅从样本中学习知识，而且从样本的差异中学习知识。这大大提高了认知效率和准确性。

小组学习的另一个特点是样本的复制。伴随学习通过对样本进行编码和解码来复制样本，并获取样本的语义信息。在自然界中，遗传和进化的基础是基因；在小组学习中，编码和解码的基础是语义。因此，伴随学习可能在遗传和进化算法的研究中发挥更重要的作用。

深蓝科技集团的深度学习科学家方林博士告诉义邦电力，算法层面的障碍不是障碍，深度时尚系统最大的护城河应该是最初积累的客户和行业数据资源。市场太多了。谁先占据维修站，谁就有先发优势。在这一步，申兰再次领先。

来源：搜狐微门户