通过神经风格转移设计服装
对于当今的预测分析而言，最令人兴奋的事情之一是，它多么迅速和直率地超过了现有基准。此外，它渗透了传统上人类创造力占主导地位的行业和活动，为音乐，美术，时尚或建筑增添了未来感。遵循流行趋势，我们决定探索神经网络的当前功能，并找出它们是否对时尚行业具有真正的价值。
时间短，效果好
2015年，Google的研究团队 为2014年ImageNet大规模视觉识别挑战赛开发了DeepDream算法。该算法基于经过训练的卷积神经网络，可以补充和增强图像中的相似形状。在下面的示例中，气球变成了鸟，花变成了人或动物。这是因为这些对象的预览类似于已在其上训练了神经网络的其他图像。
这只是第一步，一年后，举行了此类作品的首次展览，题为“深梦：神经网络的艺术”。最好的图像以2200美元到8000美元的价格出售，所有收集到的钱（97
根据Google的研究，2015年中，一群德国科学家发表了一篇文章“一种艺术风格的神经算法”。他们描述了一种基于经过训练的19层VGG网络（图像识别）的艺术风格识别算法。该算法可以使用卷积神经网络将一张图片的样式与另一张图片的内容结合起来。
“本文的主要发现是卷积神经网络中内容和样式的表示是可分离的。也就是说，我们可以独立地操纵这两种表示以产生新的，在感知上有意义的图像。”作者承认。
绘画风格瓦西里·康定斯基（Wassily Kandinsky）的绘画《构图VII》的风格的详细结果。 这些行显示了与CNN图层的递增子集的样式表示匹配的结果。我们发现，当包含来自网络较高层的样式特征时，样式表示所捕获的本地图像结构会增加大小和复杂度。这可以通过沿网络处理层次结构增加的接收域大小和功能复杂性来解释。这些列显示了内容和样式重构之间的不同相对权重。每列上方的数字表示比率λ/λ。在强调匹配照片内容和艺术品风格之间。
2016年，移动应用程序Prisma发布了。它的工作原理相同。使用预定义的过滤器（艺术风格或技术）在服务器端处理图像。
棱镜
然后，在短时间内，现代汽车展示了他们用Prisma处理过的新车Creta的照片。也出现了许多相同的服务，例如Mlvch，Vinci和Artisto。
自然地，这种趋势扩展到了其他艺术领域，并超越了单纯的认可和复制。例如，在2016年中，谷歌启动了一个Magenta项目 ，该项目专注于机器对独特艺术内容的创作，而不是复制现有艺术品的突出特征。截至今天，洋红色的唯一“创造性成就”是90秒音轨， 其中包括四个音符，并由人添加了鼓声。
2016年9月初提出的最新成果是WaveNet，这是一种卷积神经网络，可以合成具有高离散频率的语音和音乐。WaveNet的性能大大优于所有以前的TTS引擎。它可以模仿呼吸和发音，从而在很大程度上使计算机语音人性化。如今，样品已提供美国英语和汉语普通话。
提到的技术在用户中广泛传播，面临很多批评。特别是，他们的创造力，艺术价值和新颖性经常受到质疑。
以下是人们在设计师论坛和讨论板上所说的一些例子：
“我不会将在Prisma中处理过的图像称为'艺术'，但图片可能会变得很有趣。”
“为简化起见，艺术就是当您不漫不经心地重新绘制图像或单击应用程序中的按钮时，而是当您有了目标并经过深思熟虑后便去追求它。艺术是意识，艺术家决定使用哪种工具-绘画，装置或应用代码。”
“ Prisma应用只是渴望新颖的原始玩具。”
但是，也有相反的观点：
“神经网络无处不在。我并不期望他们会夺走艺术家和设计师的食粮，但我的电话花了几分钟才用几张平庸的照片制作出非常有趣的艺术品。”
在乐观的反馈意见的鼓励下，我们决定尝试在服装设计中如何使用类似的算法作为创意工具。
了解时尚的演变
时尚是机器学习的全新方向。设计衣服时，应该了解和理解时尚的机制：趋势的成因和传播，循环重复的原理和演变方式。运用以上所有方法，设计师可以发展明天的时尚。
但是，由于有了新型的神经网络，现在可以简化设计或预测趋势的任务。这些网络可以自动分配衣服的形状，元素和类型，并将它们进一步结合在一起。根据对服装随时间变化的分析，这种方法使人们可以识别从100年到3年的不同长度的时装周期。
根据设计师和社会学家的几项基础研究，服装的整体外观和构造样式会在21-22年的周期内完全更新。此外，相同的研究表明，还有3、8、13和33-34年的周期，在此周期内，所有服装的形式（细节和剪裁也都会发生变化）。此外，所有类型的服装都有自己独立的开发周期。带来根本变化的历史周期可能长达150年。
因此，被训练以区分流行和不流行的服装样式和设计的网络可以成功地预测特定服装在选定周期内的流行。无论多年来外观和穿着的变化如何，如果我们比较不同时代的服装项目，尽管相似程度可能不同，但我们可以跟踪许多相似的特征。时尚的历史不知道以前周期中服装的确切重复，但是在裁切，形状或设计上总是有一些相似之处。
衣服的基本部分，例如袖子，衣领或口袋，也经常循环出现。这些周期的周期大约为11-13年，之后是对称重复并恢复为这些零件的原始形式，但技术或美学水平更高。设计师制作季节性服装时，通常会带来新的属性，从而改变服装的形式。定性特征的积累导致形状的改变。但是，设计人员的任务不仅限于预测对称重复。了解即将到来的流行趋势以创造受欢迎的产品同样重要。
神经风格转移方法和结果
我们比较了可用于优化创建过程的三种方法：基于Keras的神经样式转移，基于Visual Geometry Group NN（vgg_16）的神经图像类比和基于MXNet的神经样式。
Keras神经样式传递对生成图像的像素进行基于SciPy的优化（L-BFGS），以与原始样式相比将神经样式损失最小化。为了加快处理速度，最后一层只能占用一层或两层。整个网络看起来是这样的：
卷积网卷积网
我们得到的结果经过了后处理（在转换了Gram矩阵的宽度和高度之后）：
通过神经风格转移设计服装
如您所见，衬衫的新样式是两个图像的特定混合，但不仅所有的蓝色空间都充满了方格。
第二种方法是神经图像类比，它还使用视觉几何组NN和SciPy优化器（L-BFGS）的权重。但是，与神经样式转换不同，它可以跟踪原始图像和过渡图像之间的变化，并将其转换为您要接收的第三幅图像。此优化还可以使用不完整的网络以及缩放或调整大小的图像。
使用缩放，网络深度，优化程序迭代次数等不同的设置，我们可以获得具有不同质量和内容的图像。请注意，选择具有相同形状的图像非常重要，以避免过渡造成的模糊元素。优化器无法完全替换目标图片中的背景或某些元素。
通过神经风格转移设计服装
在样式转换过程中，神经网络不仅会重建颜色，而且还会尝试了解要转换的部分（手，手，脸，裤到裤）。这种规模转移的过程如下所示：
通过神经风格转移设计服装
成功选择形状的一个示例：
通过神经风格转移设计服装
第三种方法，即MXNet神经技术，也是基于vgg的已知权重。该模型评估内容和样式之间的差异。训练期间，样式参数值会收敛。它越小，样式越相似。MXNet使用SGD生成具有与所选艺术品相似的样式的图像：
通过神经风格转移设计服装
通过神经风格转移设计服装
通过神经风格转移设计服装
通过神经风格转移设计服装
通过神经风格转移设计服装
MXNet神经艺术可以考虑到服装，袖子，褶皱，衣领等各种服装成分的特性来传递艺术品的风格。
结论—技术与哲学相遇
对训练有素的检测/描述对象的卷积神经网络功能的比较分析表明，从时装行业的角度来看，结果可能是非常有希望的。同时，我们使用的方法比基于自动编码器的方法在视觉上效果更好。
可以通过仅在衣服上进行培训来改进所审查的方法。结果，这些方法可以获取特定权重（而不是vgg权重）。并且添加了人气等级后，我们将能够预测任何服装的受欢迎程度。
这种模型的主要优点是，它们可以帮助产生设计衣服或其元素的想法，尤其是在设计过程可能花费比一个时装周期更多的时间时。假定当前和目标循环阶段是已知的，则可以将流行趋势或任何成功的元素从一件衣服甚至一件艺术品转移到另一件衣服上。
因此，使用神经网络可以潜在地减少现代艺术和时尚的边缘化。它们可以促进商业项目，在这些项目中，人类和社会的需求是创意设计师的主要驱动力，创意设计师应学习，了解，感受并将这些需求转化为实质性的形状和图像。实际上，研究需求（消费者的喜好和需求，衣服的特性和质量，对不同类型的衣服的需求等等）是在创造新事物之前必须采取的必要步骤。
62岁的让·保罗·高提耶（Jean Paul Gaultier）说：“太多衣服杀死衣服。时尚已经改变。” 服装的泛滥。每个季节八次收藏-一年16次。该系统无法正常工作……没有足够的人购买。我们正在制作不该穿的衣服。”
但是，无论我们使用什么强大和复杂的技术，确定智能手机上创建的图片或视频是否都是艺术品都是一个问题。我们只能说，我们认为现代技术与更传统的工具本质上是相同的工具。他们只是以特定的方式工作。因此，使用什么工具来创作艺术品并不重要。没有墨水，铅笔，帆布，完美的技术或Prisma都无法将一幅普通的图画变成一件艺术品；这些只是工具，只有人类才能熟练，自觉地使用它们。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！