基于生成对抗网络的服装线稿图像着色研究
服装线稿图纸是专业人士传达设计理念的最有力工具。彩色线条绘制是一种必不可少的、流行的服装线稿插画技术。近些年，随着深度学习的飞速发展，生成对抗网络使用大规模数据样本，利用其强大的特征提取能力和学习能力进行训练，在线稿图像着色任务上取得了巨大的成功。由此，本文基于生成对抗网络对秀场服装线稿图像的着色方法展开研究。 首先，现有的开源线稿数据集线条结构简单，与真实照片差距较大。而本文研究的对象是秀场服装线稿图像，我们所需要的实验数据是背景全白的真实秀场服装图片和与之对应的服装线稿图片。针对目前缺乏服装线稿图像数据集的现状，本文构建了一个成对的服装-线稿图像数据集，专门用于服装线稿图像的着色任务。本文利用优异的边缘检测算法对真实秀场服装图像进行逆向生成，按照实验所需的数据样本要求，选取高质量的服装线稿图像，以此构建了一个成对的、共有1330对纯白背景的真实秀场服装-线稿图像数据集，为后期算法研究奠定良好基础。 其次，本文提出了一种自动化的服装线稿图像着色方法。自动化的服装线稿图像着色方法能提高服装设计师的效率，降低制作成本，但经常面临边缘颜色泄露的问题。针对该问题，本文提出一个LineColorizationGenerativeAdversarialNetwork(LGCloGAN)着色模型，同时引入一个区域分割融合机制。该机制为着色过程提供区域分割信息，以便着色模型能够学习如何避免在具有不同语义的区域之间分配相同的颜色或在单个区域内分配不一致的颜色。此外，提出一个LineColorizationShadowGenerativeAdversarialNetwork(LGShdGAN)灯光模型，用于生成灯光效果，能更好地描绘3D服装。实验结果表明，引入区域分割融合机制有效缓解了边缘颜色泄露的问题，使生成的彩色化图像的背景更加干净。针对色彩饱和度不高的彩色化图像，LGShdGAN模型能生成更好的3D效果，整体提高彩色化图像的质量。 最后，本文提出一种基于用户引导的服装线稿着色方法。该方法能有效解决自动化着色方法中合成结果着色效果单一，不能满足用户多样化需求的问题。该方法通过添加用户涂鸦的方式来指导着色过程，从而支持用户交互，满足用户多样化需求。基于生成对抗网络架构，该方法引入一种新的局部特征提取网络，以增强用合成数据训练的网络的泛化能力，设计了专门的卷积层来增加接受场和网络容量，使生成的彩色化图像更自然真实。该方法还特别设计了损失函数，以减少生成图像中的混合和溢出。此外，使用联合双边滤波器对输出结果进行平滑处理，生成更清晰、生动的彩色化结果图。实验结果表明，该方法中每个模块都可以对最终结果做出贡献。与经典的用户引导着色方法的比较表明，我们的方法可以避免背景中大面积的泄漏，具有更干净的服装边缘轮廓。
服装线稿图像;交互式彩色化;生成对抗网络;服装-线稿数据集
武汉纺织大学
硕士
计算机科学与技术
何儒汉
2023
中文
TP391.41
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）