數(shù)智協(xié)作技術(shù)下騎行服飾設(shè)計(jì)與創(chuàng)新應(yīng)用研究

摘要：隨著數(shù)字智能技術(shù)的不斷發(fā)展，服飾設(shè)計(jì)也在逐步邁向數(shù)字化、智能化。生成式人工智能（AIGC）時(shí)代設(shè)計(jì)師能夠通過輸入提示詞和調(diào)整參數(shù)，實(shí)現(xiàn)對服飾設(shè)計(jì)的多維控制，進(jìn)而生成不同風(fēng)格和功能需求的服裝款式。文章通過對騎行服飾的運(yùn)動姿態(tài)圖和靜止展示圖進(jìn)行資源庫劃分、打標(biāo)和LoRA模型的訓(xùn)練，以達(dá)到騎行服飾的定制化設(shè)計(jì)的目的。文章通過結(jié)合騎行服飾構(gòu)成分析，LoRA模型訓(xùn)練實(shí)驗(yàn)和虛擬仿真技術(shù)，探討了面向騎行服飾的數(shù)智化設(shè)計(jì)方法。實(shí)驗(yàn)結(jié)果表明，數(shù)智協(xié)作的方法不僅有效提升了設(shè)計(jì)師的工作效率，還為服飾創(chuàng)新提供了更為廣闊的發(fā)展空間。數(shù)智協(xié)作設(shè)計(jì)能夠推動服飾創(chuàng)新與人工智能科技的深度融合，展現(xiàn)數(shù)智化設(shè)計(jì)在提升服飾設(shè)計(jì)創(chuàng)新性與科技含量方面的重要潛力。

關(guān)鍵詞：騎行服飾；StableDiffusion；Low-RankAdaptationlora；Midjourney；數(shù)智設(shè)計(jì)；Style3D

中圖分類號：TS94.26文獻(xiàn)標(biāo)識碼：A

文章編號：1003-0069（2025）12-0115-05

引言

隨著“騎行熱”的興起，騎行服逐漸受到廣泛關(guān)注。消費(fèi)者不僅追求騎行服的功能性，更注重時(shí)尚性和個(gè)性化設(shè)計(jì)。傳統(tǒng)騎行服設(shè)計(jì)流程因耗時(shí)較長，服飾設(shè)計(jì)審美往往伴隨著設(shè)計(jì)師的主觀意識，難以及時(shí)響應(yīng)市場需求。近年來，生成式人工智能（AIGC）的普及與3D建模技術(shù)的快速發(fā)展，為騎行服設(shè)計(jì)提供了創(chuàng)新性解決方案。本文通過探討在數(shù)智協(xié)作背景下，將生成式AI與數(shù)字建模技術(shù)深度融合，實(shí)現(xiàn)騎行服裝設(shè)計(jì)與呈現(xiàn)的創(chuàng)新，優(yōu)化設(shè)計(jì)效率并提升產(chǎn)品表現(xiàn)力。數(shù)智協(xié)作設(shè)計(jì)能夠更好地支持產(chǎn)品從概念到視覺呈現(xiàn)的全流程開發(fā)，為騎行服領(lǐng)域的多樣化需求和快速迭代奠定技術(shù)基礎(chǔ)，同時(shí)推動個(gè)性化設(shè)計(jì)與創(chuàng)新實(shí)踐的全面應(yīng)用，開拓出新型的服裝設(shè)計(jì)思路與方法。生成式人工智能（AIGC）是一種依托人工智能技術(shù)發(fā)展的創(chuàng)新應(yīng)用，主要基于生成對抗網(wǎng)絡(luò)（GAN）和大型預(yù)訓(xùn)練模型，通過學(xué)習(xí)和識別現(xiàn)有數(shù)據(jù)，具備一定的泛化能力以生成相關(guān)內(nèi)容。2020年，IanGoodfellow等人提出了穩(wěn)定擴(kuò)散模型（DiffusionModel），模型通過對噪聲數(shù)據(jù)進(jìn)行逐步逆擴(kuò)散，實(shí)現(xiàn)高質(zhì)量內(nèi)容生成。其中，StableDiffusion作為該模型在圖像生成領(lǐng)域的重要成果，在圖像生成、文本到圖像合成及音頻生成等方面表現(xiàn)卓越[1]。2021年，EdwardJ.Hu等人提出LoRA（Low-RankAdaptation，低秩適配器）模型，通過調(diào)整模型中的低秩矩陣，顯著降低了大模型在特定任務(wù)或領(lǐng)域中的訓(xùn)練門檻，提升了訓(xùn)練效率[2]。2024年，于鵬等人運(yùn)用LoRA模型對苗族服飾特征進(jìn)行圖像訓(xùn)練，并結(jié)合StableDiffusion進(jìn)行服飾設(shè)計(jì)，使AI模型能夠生成具有苗族文化特色的服飾圖像[3]。在AIGC技術(shù)的推動下文學(xué)、藝術(shù)和設(shè)計(jì)領(lǐng)域迎來了前所未有的技術(shù)革新，包括文本圖像識別、自然語言處理、生成對抗網(wǎng)絡(luò)和擴(kuò)散模型等。

一、數(shù)智協(xié)作設(shè)計(jì)的騎行服設(shè)計(jì)方案創(chuàng)新

（一）數(shù)智技術(shù)對設(shè)計(jì)創(chuàng)新呈現(xiàn)的增效：在服飾設(shè)計(jì)研究領(lǐng)域，數(shù)智技術(shù)的廣泛應(yīng)用為設(shè)計(jì)創(chuàng)新注入了強(qiáng)大動力，顯著提升了設(shè)計(jì)的效率與靈活性。隨著生成式人工智能（AIGC）技術(shù)的快速發(fā)展，諸如Midjourney、StableDiffusion和Dall-E3等AI繪畫平臺，通過深度學(xué)習(xí)模型，能夠快速生成并優(yōu)化設(shè)計(jì)方案，幫助設(shè)計(jì)師更高效地探索創(chuàng)意，降低創(chuàng)作門檻[4]。AIGC技術(shù)具備學(xué)習(xí)與分析色彩、圖案、款式等設(shè)計(jì)元素的能力，能夠?qū)崿F(xiàn)風(fēng)格遷移與元素融合，在縮短設(shè)計(jì)周期的同時(shí)，確保作品緊貼市場流行趨勢。Style3D虛擬仿真建模技術(shù)為設(shè)計(jì)師提供了三維虛擬樣衣設(shè)計(jì)環(huán)境，簡化了傳統(tǒng)的設(shè)計(jì)流程，減少了草圖繪制和物理樣衣制作的煩瑣環(huán)節(jié)，顯著縮短了開發(fā)周期并降低了生產(chǎn)成本。設(shè)計(jì)師可以在虛擬環(huán)境中快速進(jìn)行款式的迭代與細(xì)節(jié)調(diào)整，實(shí)現(xiàn)更加精準(zhǔn)的設(shè)計(jì)表達(dá)。數(shù)字化與AI技術(shù)的深度融合加速了服飾設(shè)計(jì)向智能化與個(gè)性化方向發(fā)展，為數(shù)據(jù)驅(qū)動生產(chǎn)提供了技術(shù)保障，顯著提升了設(shè)計(jì)的精確度和市場響應(yīng)速度。大數(shù)據(jù)分析重塑了設(shè)計(jì)師與消費(fèi)者的互動模式，通過洞察消費(fèi)者偏好與市場趨勢，設(shè)計(jì)師能夠更加精準(zhǔn)地把握市場需求，推動時(shí)尚產(chǎn)業(yè)進(jìn)入智能化、高效化和可持續(xù)發(fā)展的新階段[5]。

（二）騎行服的應(yīng)用方案：本文利用數(shù)字化與人工智能方案結(jié)合進(jìn)行實(shí)踐產(chǎn)出，通過市場分析進(jìn)行關(guān)鍵詞提取、搭建騎行服飾專屬的LoRA模型進(jìn)行設(shè)計(jì)方案輸出。如圖1所示，首先，對騎行服飾的設(shè)計(jì)方向、樣式、風(fēng)格進(jìn)行設(shè)計(jì)構(gòu)思，通過市場調(diào)研進(jìn)行總結(jié)騎行服中元素的關(guān)鍵詞應(yīng)用于模型標(biāo)注與生成，分析市面上騎行狀態(tài)下的痛點(diǎn)問題進(jìn)行總結(jié)為設(shè)計(jì)功能與結(jié)構(gòu)做參考，通過拍攝收集騎行服圖像信息、人物姿態(tài)信息等相關(guān)數(shù)據(jù)為模型訓(xùn)練數(shù)據(jù)庫搭建做準(zhǔn)備，其次，設(shè)計(jì)方面通過Midjourney平臺進(jìn)行初步方案生成，對生成的方案進(jìn)行篩選，根據(jù)收集的信息進(jìn)行參數(shù)調(diào)控、模型訓(xùn)練、圖像生成篩選等流程優(yōu)化最終模型，通過優(yōu)化后的最終模型對初步方案在StableDiffusion平臺進(jìn)行LoRA模型微調(diào)，完成AI效果圖輸出；再次根據(jù)服飾結(jié)構(gòu)與苗了功能性問題，對騎行服內(nèi)部結(jié)構(gòu)進(jìn)行設(shè)計(jì)，通過Style3D建模平臺進(jìn)行設(shè)計(jì)轉(zhuǎn)化，最后在Blender軟件中進(jìn)行場景搭建和服飾渲染，呈現(xiàn)服飾最終效果[6]。

二、騎行服的構(gòu)成要素設(shè)計(jì)

（一）騎行服功能性：騎行服飾的功能性決定了騎手在不同騎行場景下的便利性和舒適性，服飾的功能設(shè)計(jì)需要考慮動態(tài)性、環(huán)境適應(yīng)性和安全性等多維因素，確保在長時(shí)間騎行過程中提供良好的穿著體驗(yàn)。多功能口袋設(shè)計(jì)，方便存放騎行必需品，如能量補(bǔ)給、手機(jī)和工具，同時(shí)確保物品穩(wěn)固且不影響騎行活動的自由度；夜行保護(hù)功能設(shè)計(jì)，在低光環(huán)境下提升騎手的可見性以降低安全風(fēng)險(xiǎn)；防曬保護(hù)功能，能夠有效阻擋紫外線輻射保護(hù)長時(shí)間騎行帶來的傷害；在吸濕排汗和透氣性方面，確保運(yùn)動時(shí)空氣有效流通，減少悶熱感[7]。騎行服飾的功能性設(shè)計(jì)需要將功能性與舒適性的融合，從而在各種環(huán)境下為騎手提供安全、便利和高效的騎行體驗(yàn)。

（二）面料選擇：在騎行服飾設(shè)計(jì)中，面料的選擇對于保障穿著者在不同環(huán)境下的舒適性至關(guān)重要。為了滿足騎行運(yùn)動對服裝高彈性、透氣性、耐磨性和防風(fēng)防水等多重特性的需求，綜合考慮面料的物理性能和功能特性，選用了萊卡（Lycra）、針織纖維（Coolmax）、戈?duì)柼厮梗℅ore-Tex）和聚酯纖維作為騎行服的主要面料[8]。Lycra面料具有優(yōu)異的彈性和恢復(fù)性，能夠在騎行過程中貼合身體曲線，提供良好的支撐性和舒適性，減少運(yùn)動時(shí)服裝與皮膚之間的摩擦。Coolmax面料具有吸濕排汗性能，能夠迅速將汗液從皮膚表面導(dǎo)向面料外層，保持穿著者肌膚的干爽，避免長時(shí)間濕潤引發(fā)的不適感。Gore-Tex面料具有防水透濕，能夠在惡劣天氣條件下有效阻擋外部水分滲透，同時(shí)將體表濕氣排出，維持騎行者體表的干爽舒適。聚酯纖維面料具備輕便、耐磨、易洗快干等優(yōu)點(diǎn)，適合在長時(shí)間戶外騎行中使用，減少因面料磨損而引起的不適或損壞。面料在設(shè)計(jì)中可通過合理的拼接與分區(qū)設(shè)計(jì)進(jìn)行組合，以不同功能區(qū)滿足身體不同部位的需求，如高強(qiáng)度摩擦區(qū)使用耐磨性強(qiáng)的聚酯纖維，出汗較多區(qū)域則使用Coolmax進(jìn)行有效排濕。通過面料的科學(xué)搭配與設(shè)計(jì)，騎行服能夠在保證功能性的基礎(chǔ)上，提升穿著者的運(yùn)動體驗(yàn)，為專業(yè)騎行運(yùn)動提供更高效、舒適的服飾支持。

（三）騎行服結(jié)構(gòu)：騎行服飾的結(jié)構(gòu)設(shè)計(jì)需充分考慮騎行者在不同姿態(tài)下的運(yùn)動狀態(tài)和受壓分布，以減少因姿態(tài)不當(dāng)引起的身體損傷，尤其在新手入門階段，更需注重服飾結(jié)構(gòu)的約束性與支撐性。騎行服的結(jié)構(gòu)設(shè)計(jì)直接影響騎行過程中的舒適性，決定了服飾在不同騎行姿態(tài)下的包裹性和貼合性，在設(shè)計(jì)與制作騎行服飾時(shí)，需要結(jié)合面料的彈性、支撐性和包裹性，確保服飾在動態(tài)狀態(tài)下能夠提供有效支撐與舒適體驗(yàn)。通過對不同騎行姿態(tài)下受壓分布的測試與分析可知，如表1所示，綠色表示受力較輕，黃色表示受力中等，紅色表示受力較大。在平把位騎行時(shí)，壓力主要集中在手肘和背部支撐區(qū)域，整體姿態(tài)較為放松；在上把位騎行時(shí)，手腕、膝蓋和腰部的支撐壓力逐漸增加，身體負(fù)荷分布趨于均勻；而在下把位騎行時(shí)，由于姿態(tài)更為激進(jìn)，肩部、腰部和膝蓋等部位的受壓顯著增加?；跍y試結(jié)果，騎行服在結(jié)構(gòu)設(shè)計(jì)中需重點(diǎn)關(guān)注手肘、膝蓋、肩部和腰部的支撐性與保護(hù)性，優(yōu)化剪裁與拼接工藝，增強(qiáng)關(guān)鍵部位的包裹性和穩(wěn)定性，確保在動態(tài)狀態(tài)下保持良好的貼合性與舒適性。

三、智能化騎行服專屬模型訓(xùn)練實(shí)驗(yàn)

（一）LoRA模型訓(xùn)練：本實(shí)驗(yàn)選取了50張具有代表性的騎行服飾圖片進(jìn)行低樣本LoRA模型訓(xùn)練，確保數(shù)據(jù)的多樣性和全面性。為了提高模型對不同騎行狀態(tài)下服飾特征的識別能力，訓(xùn)練數(shù)據(jù)被劃分為運(yùn)動姿態(tài)和靜止展示狀態(tài)兩個(gè)獨(dú)立的資源庫。在運(yùn)動姿態(tài)資源庫中，圖片展示了騎行服飾在動態(tài)騎行中的實(shí)際表現(xiàn)，通過對這兩個(gè)資源庫的細(xì)致打標(biāo)與訓(xùn)練，LoRA模型能夠更加精準(zhǔn)地學(xué)習(xí)并生成符合實(shí)際騎行需求的服飾設(shè)計(jì)，提高騎行服飾設(shè)計(jì)的準(zhǔn)確性與創(chuàng)新性。

（二）圖像提示詞設(shè)定方式：為提升生成模型在騎行服飾圖像理解與表現(xiàn)方面的能力，本研究采用了自動提取與人工優(yōu)化相結(jié)合的提示詞構(gòu)建方法。如表2所示，第一階段使用圖像識別技術(shù)對圖像數(shù)據(jù)庫中的素材進(jìn)行初步分析，批量生成反映系統(tǒng)對圖像內(nèi)容理解的關(guān)鍵詞。此步驟的核心在于識別圖像的基礎(chǔ)元素，并轉(zhuǎn)化為機(jī)器可識別的語義線索。接著，研究者依據(jù)騎行動作的典型特征，對初始提示詞進(jìn)行人工修正與拓展，補(bǔ)充與騎行服飾相關(guān)的特定描述詞匯，以增強(qiáng)AIGC模型在該類圖像生成任務(wù)中的表現(xiàn)力與可控性。為進(jìn)一步引導(dǎo)模型生成特定狀態(tài)下的騎行圖像，在不同類型的服飾圖中分別嵌入“QiXing，DT”和“QiXing，JT”作為提示引導(dǎo)詞，用于區(qū)別不同動作或場景需求，從而使生成圖像更貼合設(shè)計(jì)預(yù)期，實(shí)現(xiàn)風(fēng)格控制與效果調(diào)優(yōu)。

（三）模型適配與參數(shù)配置調(diào)整：模型適配是深度學(xué)習(xí)流程中不可或缺的環(huán)節(jié)。本實(shí)驗(yàn)以StableDiffusionv1.5為基礎(chǔ)模型，開展LoRA微調(diào)訓(xùn)練。訓(xùn)練前期，通過Photoshop軟件對圖像樣本進(jìn)行標(biāo)準(zhǔn)化處理，包括背景剔除（摳圖）、畫質(zhì)增強(qiáng)和圖像尺寸裁切，以保證圖像符合模型訓(xùn)練輸入要求。摳圖操作用于突出人物主體，提升圖像聚焦性；清晰度優(yōu)化可增強(qiáng)圖像細(xì)節(jié)表達(dá)，有效防止圖像模糊影響訓(xùn)練效果；圖像統(tǒng)一裁剪至512×512像素，確保與StableDiffusion模型輸入尺寸匹配，提升訓(xùn)練效率與輸出質(zhì)量。訓(xùn)練過程中涉及多項(xiàng)關(guān)鍵參數(shù)的精細(xì)設(shè)定，包括訓(xùn)練步數(shù)與輪數(shù)、學(xué)習(xí)率設(shè)置及其調(diào)度策略。訓(xùn)練迭代次數(shù)決定了模型對樣本特征的學(xué)習(xí)深度，過少可能造成欠擬合，過多則可能引起模型對訓(xùn)練數(shù)據(jù)的過度記憶，削弱泛化能力。

在文本編碼方面，其作用是將語言信息轉(zhuǎn)化為向量形式參與圖像生成，學(xué)習(xí)率的設(shè)定直接影響模型的穩(wěn)定性與收斂速度。U-Net模塊作為StableDiffusion中的核心組件，其參數(shù)更新通過學(xué)習(xí)率衰減機(jī)制逐步優(yōu)化，有助于保持訓(xùn)練過程的穩(wěn)定推進(jìn)。另外，為提升訓(xùn)練效果與收斂效率，實(shí)驗(yàn)采用了Adam優(yōu)化器，其結(jié)合了動量與自適應(yīng)學(xué)習(xí)率機(jī)制，適用于多種生成任務(wù)場景。網(wǎng)絡(luò)結(jié)構(gòu)方面，層數(shù)與神經(jīng)元數(shù)量直接決定模型容量與計(jì)算復(fù)雜度：過深結(jié)構(gòu)易陷入過擬合，過淺則難以捕捉高維特征。在精度選擇方面，實(shí)驗(yàn)分別測試了FP32（單精度）和FP16（半精度）兩種格式：前者適用于要求精度較高的任務(wù)，后者則可顯著減少顯存占用并提升運(yùn)算速度。詳細(xì)參數(shù)設(shè)定見表3。

（四）LoRA模型篩選與對比：為了篩選出最適用于騎行服飾圖像生成的LoRA模型，研究采用了控制變量法以減少干擾變量對實(shí)驗(yàn)結(jié)果的影響。在控制除目標(biāo)變量以外的所有參數(shù)不變的前提下，逐一調(diào)整關(guān)鍵因素，以分析其對模型輸出效果的具體影響。實(shí)驗(yàn)環(huán)境基于StableDiffusion平臺，并輔以ControlNet工具實(shí)現(xiàn)高精度圖像控制。本研究重點(diǎn)運(yùn)用了ControlNet中的Openpose模塊對人物姿態(tài)及服飾輪廓進(jìn)行精細(xì)化處理。Openpose具備實(shí)時(shí)識別人體骨架結(jié)構(gòu)與關(guān)鍵關(guān)節(jié)點(diǎn)的能力，能夠精準(zhǔn)捕捉動作細(xì)節(jié)，從而有效控制圖像生成中的姿態(tài)一致性。實(shí)驗(yàn)初期導(dǎo)入標(biāo)準(zhǔn)姿態(tài)模特圖像作為輸入模板，并通過預(yù)處理統(tǒng)一其結(jié)構(gòu)參數(shù)。隨后，不同版本的LoRA模型與基礎(chǔ)人物大模型組合使用，并設(shè)置相同Seed值以生成一致的隨機(jī)序列，保證實(shí)驗(yàn)的可重復(fù)性。所有生成設(shè)置保持一致，以排除外部干擾因素。在統(tǒng)一輸入核心觸發(fā)詞“QiXing，JT”的基礎(chǔ)上，通過調(diào)整LoRA模型的權(quán)重值，系統(tǒng)地觀察其在不同設(shè)置下的圖像表現(xiàn)。如圖2所示：LoRA1在權(quán)重變化時(shí)圖像差異較小，缺乏風(fēng)格調(diào)節(jié)能力，因此不予采納；LoRA2在權(quán)重1.2時(shí)出現(xiàn)了不符合騎行服設(shè)定的褲裝類型，被判定為不適用；LoRA3無法正確生成帶有長褲結(jié)構(gòu)的騎行服圖像，也被排除。相比之下，LoRA4與LoRA5在多組參數(shù)條件下均保持了良好的穩(wěn)定性與生成質(zhì)量，最終被選定為后續(xù)圖像生成工作的候選模型。

四、數(shù)智協(xié)作騎行服設(shè)計(jì)及呈現(xiàn)

（一）人工智能服飾應(yīng)用設(shè)計(jì)

1.提示詞初步生成款式：首先通過Midjourney進(jìn)行服飾的生成，初步設(shè)計(jì)方案是提取騎行相關(guān)的prompt指令，通過Midjourney平臺進(jìn)行初步可視化。如圖3所示，首先在Midjourney中使用騎行相關(guān)的提示詞，然后同時(shí)在prompt指令的前面添加相對應(yīng)的騎行服飾作為墊圖，使生成設(shè)計(jì)方案更加貼近騎行服飾的效果。將“CyclingApparel，SportsGearAseriesofimagesshowingfullbodyclothingfromsportsbrands，tightclothing，futuristicandsportyavant gardedesignsinsilver，black，white，greytones，eachmodelwearingadifferentoutfit，includingleggings，tights，sportstopsorhoodies，multi-functionalpocketdesigns.ModelsshouldbeAsianwomen，withdifferentskintonesandhairstyles，standingagainstplainbackgroundstohighlighttheirsportswear（騎行服、運(yùn)動裝備一系列圖片展示了運(yùn)動品牌的全身服裝、緊身衣、銀色、黑色、白色、灰色調(diào)的未來主義和運(yùn)動前衛(wèi)設(shè)計(jì)，每個(gè)模特穿著不同的服裝，包括緊身褲、緊身褲、運(yùn)動上衣或連帽衫、多功能口袋設(shè)計(jì)。模特應(yīng)該是亞洲女性，膚色和發(fā)型各不相同，站在樸素的背景下，以突出她們的運(yùn)動裝）--ar1：2--q2--iw0.75”提示詞（prompt）指令輸入到Midjourney的“/imagine”指令中運(yùn)用深度學(xué)習(xí)算法自動生成多個(gè)服裝設(shè)計(jì)變體，“--ar”指令代表生成的圖像為長寬比為1：2，“--q”指令代表著生成圖像的質(zhì)量范圍為0～2，數(shù)字越高表示生成的畫面質(zhì)量越高，細(xì)節(jié)越豐富，“--iw”為圖像參考權(quán)重，權(quán)重范圍為0～3，權(quán)重越高生成的圖像越接近參考圖像。

2.LoRA模型微調(diào)：為了使得生成的圖像更加具有可控性，因此需要將Midjourney中生成的圖像導(dǎo)入StableDiffusion中進(jìn)行微調(diào)和細(xì)節(jié)設(shè)計(jì)，其目的在于對圖像進(jìn)行控制以及通過LoRA模型來糾正初始圖像中對騎行服飾表達(dá)不準(zhǔn)的方面。如圖所示，首先，通過stablediffusion中的wd1.4對初始畫面進(jìn)行簡單描述“realistic，sneakers，brownhair，shoes，hood，navel，midriff，multiplegirls，lips，pants，shorthair，bodysuit，hoodie”，將描述詞放入正向提示詞框中，此步驟為了保證參照畫面在生成后擁有基礎(chǔ)的畫面表達(dá)，然后，輸入反向提示詞“Painting，drawing，（worstquality，Lowquality，NormalQuality：2），Lowresolution，（（monochrome，grayscale）），pixelation，signature，watermark，username，blur，digital，（nsfw：1.5），Missing，badanatomy，badhands，mistakes，missingfingers，extrafingers，fewerfingers，extralimbs，3legs，multiplebreasts，deformities，skinspots，acne，agespots，skinblemishes，badface，deformedfingers，，nsfw”（繪畫、素描、（最差質(zhì)量、低質(zhì)量、正常質(zhì)量：2）低分辨率、（單色、灰度）、像素化、簽名、水印、用戶名、模糊、數(shù)字、（nsfw：1.5）、缺失、不良解剖結(jié)構(gòu)、不良手、錯(cuò)誤、缺失手指、多余手指、少根手指、多余肢體、3條腿、多個(gè)乳房、畸形、皮膚斑點(diǎn)、痤瘡、老年斑、皮膚瑕疵、臉部糟糕、手指變形）限制畫面質(zhì)量和畫面內(nèi)容。最后，通過controlnet對畫面進(jìn)行深度（depth）和人物姿態(tài)（openpose）控制，以達(dá)到圖像畫質(zhì)更加清晰的效果，然后對畫面參數(shù)進(jìn)行調(diào)整最終輸出圖像，如圖4所示。

（二）數(shù)字化服飾展示呈現(xiàn)：現(xiàn)有服裝三維建模軟件包括Blender、CLO3D、Style3D、Maya和3DsMax等。本文選用Style3D軟件進(jìn)行服飾建模，同時(shí)使用Blender進(jìn)行場景搭建和服飾展示功能的應(yīng)用。

1.style3D服飾建模：首先在Style3D平臺中設(shè)置三維人體尺寸參數(shù)，在“虛擬模特編輯器”中采用《GB/T1335.2—2008服裝號型女子》標(biāo)準(zhǔn)進(jìn)行編輯。選取身高165cm、胸圍87cm的標(biāo)準(zhǔn)女性體型作為基礎(chǔ)模型進(jìn)行操作。利用虛擬模特編輯器內(nèi)置的人體基本尺寸關(guān)系模型，在確定身高和胸圍的基礎(chǔ)上，系統(tǒng)自動生成其他相關(guān)人體尺寸數(shù)據(jù)，包括臀圍、腰圍、頸圍、肩寬等指標(biāo)。通過這一自動化模型的支持，可以快速精準(zhǔn)地獲得完整的三維人體數(shù)據(jù)，為后續(xù)的服裝設(shè)計(jì)和虛擬試衣提供科學(xué)的尺寸基礎(chǔ)，如表4所示。

在進(jìn)行服飾建模時(shí)，要把AIGC輸出的效果圖進(jìn)行分析，以便展開款式設(shè)計(jì)。首先在Style3d的2D界面制作板片，隨后進(jìn)入3D界面對服裝板片的位置進(jìn)行擺放，并且要為各個(gè)板片設(shè)置層數(shù)，以此來模擬服飾穿著時(shí)呈現(xiàn)出的層次感如圖5所示。完成上述操作后，運(yùn)用抓手工具對袖片和手臂之間的關(guān)系加以調(diào)整，同時(shí)檢查縫紉線是否存在錯(cuò)誤[10]。最后，進(jìn)行多角度旋轉(zhuǎn)進(jìn)行觀察，借助定位球工具小幅度地調(diào)整服裝的角度，使衣身達(dá)到平衡狀態(tài)。一直持續(xù)操作，直至獲得令人滿意的穿著效果，最終得到白模，如圖6所示。

2.面料模擬：在面料選擇與參數(shù)優(yōu)化中，針對騎行服飾特點(diǎn)選用了Lycra、Coolmax、Gore-Tex和聚酯纖維為主面料，首先需在Fabric中找到具有相似特性的預(yù)設(shè)材質(zhì)，并以此為基礎(chǔ)調(diào)整一系列物理屬性參數(shù)，包括克重、拉伸性能、彎曲性能、變形率及變形強(qiáng)度等?？酥睾饬棵科椒矫酌媪系闹亓?，直接影響面料的厚薄感，克重大的面料更厚實(shí)，適合冬季外套；克重小的面料更輕薄，適合夏季服飾。拉伸性能涵蓋拉伸強(qiáng)度與拉伸伸長率，決定面料在受力拉伸下的表現(xiàn)，如含Lycra纖維的面料彈性優(yōu)越，適用于健身服等緊身衣物。彎曲性能涉及彎曲剛度與彎曲恢復(fù)性，剛度大的面料適合板型要求嚴(yán)格的服裝。變形率反映面料在受力后的形變程度，低變形率面料穩(wěn)定性高適合商務(wù)正裝；高變形率面料更適合休閑服飾，靈活隨性。變形強(qiáng)度則衡量面料抵抗變形的能力，高強(qiáng)度面料適合登山服、騎行服等高強(qiáng)度環(huán)境，而強(qiáng)度較小的面料更適合家居服，舒適自然[11]。通過對以上參數(shù)的精細(xì)調(diào)節(jié)，能夠有效模擬真實(shí)的面料特性，確保設(shè)計(jì)效果滿足特定需求，具體參數(shù)設(shè)置，如表5所示。

3.設(shè)計(jì)呈現(xiàn)：最終效果的呈現(xiàn)通過將模擬的面料應(yīng)用到服裝再進(jìn)行渲染。在確保面料和服飾的正確應(yīng)用后，為了保證服裝在不同姿勢下的結(jié)構(gòu)合理性和穿著效果，首先將虛擬模特調(diào)整至標(biāo)準(zhǔn)的“I”形站姿，檢查服裝與身體的貼合度，避免不同仿真面料的性質(zhì)導(dǎo)致的穿模現(xiàn)象。接下來，打開渲染窗口，設(shè)置正面、背面、側(cè)面3個(gè)視角，并選擇透明背景。渲染引擎采用GPU模式，提高渲染效率和圖像質(zhì)量。同時(shí)，合理設(shè)置主光源、輔光源和背景光，確保服裝的材質(zhì)、紋理和細(xì)節(jié)能夠在光照下得到逼真呈現(xiàn)，突出服飾的立體感與質(zhì)感。所有渲染參數(shù)設(shè)置完成后，進(jìn)行最終渲染，生成并保存多個(gè)角度的三維視圖及細(xì)節(jié)圖，用于展示虛擬服裝效果，如圖7所示。

通過虛擬仿真平臺將效果圖轉(zhuǎn)化為三維服飾后，根據(jù)騎行服飾在運(yùn)動過程中存在的痛點(diǎn)問題、騎行習(xí)慣及功能性需求，對三維服飾的細(xì)節(jié)進(jìn)行了優(yōu)化設(shè)計(jì)。如圖8所示，款式一通過在面料上添加反光貼條以提升夜間騎行的安全性，在肩部加入保護(hù)措施幫助新手保持正確姿勢，背部設(shè)計(jì)為網(wǎng)格形收納口袋，兼具時(shí)尚感與功能性，褲部增加緩沖保護(hù)以減輕坐墊帶來的壓迫感；款式二針對新手騎行者，設(shè)計(jì)了肩部、背部和膝關(guān)節(jié)處的彈性保護(hù)層，以緩解摔倒時(shí)的彈性面料調(diào)節(jié)騎行姿勢，提升舒適性，同時(shí)背部加入收納口袋，褲部也進(jìn)行了緩沖保護(hù)設(shè)計(jì)；款式三為長時(shí)間騎行者量身定制，采用一體緊身設(shè)計(jì)以減少風(fēng)阻，并在肩部、膝蓋、肘關(guān)節(jié)和腰部加入彈性面料，幫助騎行者更好地發(fā)力，提高騎行的持久性和舒適性。此設(shè)計(jì)優(yōu)化方案考慮了騎行過程中可能遇到的安全、舒適性和功能性問題，為不同需求的騎行者提供了科學(xué)、舒適的服飾解決方案。

4.場景建模及渲染：實(shí)現(xiàn)服飾動態(tài)效果的高精度渲染，使用Style3D平臺進(jìn)行服飾動態(tài)姿勢調(diào)節(jié)，精確捕捉服飾在不同動態(tài)環(huán)境下的物理特性及與人體模型的交互效果。完成動態(tài)模擬后，以FBX格式導(dǎo)出文件，確保骨骼動畫、材質(zhì)貼圖等關(guān)鍵信息得以完整保留。隨后，將FBX文件導(dǎo)入Blender進(jìn)行場景構(gòu)建與渲染。在Blender中，搭建相應(yīng)的場景模型、燈光系統(tǒng)、環(huán)境光與相機(jī)鏡頭，確保服飾細(xì)節(jié)在光影變化中的精細(xì)呈現(xiàn)，同時(shí)使用HDRI貼圖增強(qiáng)場景的真實(shí)感與氛圍感。相機(jī)參數(shù)如焦距、景深與視角經(jīng)過精細(xì)調(diào)整，以捕捉服飾動態(tài)中最具表現(xiàn)力的瞬間。最終，使用Cycle渲染器進(jìn)行高保真物理光線追蹤渲染，細(xì)致表現(xiàn)反射、折射與陰影效果，并通過適當(dāng)?shù)暮笃谔幚韮?yōu)化圖像色彩與對比度，最終展示效果如圖9所示。

總結(jié)

本文通過數(shù)智協(xié)作方式實(shí)現(xiàn)了面向騎行服飾的數(shù)智化設(shè)計(jì)實(shí)踐。數(shù)智協(xié)作的方法不僅能夠顯著提升設(shè)計(jì)師在創(chuàng)新設(shè)計(jì)過程中的工作質(zhì)量與效率，還為設(shè)計(jì)師提供了更為靈活的創(chuàng)作思路。通過將人工智能AI技術(shù)與虛擬仿真技術(shù)相結(jié)合，為服飾設(shè)計(jì)領(lǐng)域開辟了全新的設(shè)計(jì)思路。同樣該設(shè)計(jì)思路也適用于其他服飾模型訓(xùn)練和數(shù)智化設(shè)計(jì)實(shí)踐中。通過數(shù)智輔助設(shè)計(jì)，不僅推動了服飾創(chuàng)新的進(jìn)程，也進(jìn)一步促進(jìn)了人工智能技術(shù)在服飾設(shè)計(jì)中的深度融合，為未來的服飾創(chuàng)新提供了強(qiáng)大的技術(shù)支持和發(fā)展空間。

參考文獻(xiàn)

[1]GOODFELLOWI，POUGET-ABADIEJ，MIRZAM，etal.Generativeadversarialnets[J].AdvancesinNeuralInformationProcessingSystems，2014（27）：12-19.

[2]Ho，Jonathan，AjayJain，andPieterAbbeel.Denoisingdiffusionprobabilisticmodels[J].AdvancesinNeuralInformationProcessingSystems，2020（33）：6840-6851.

[3]于鵬，張毅.從特征辨識到圖像生成：基于AIGC范式的苗族服飾設(shè)計(jì)[J].絲綢，2024，61（3）：1-10.

[4]林儒凡，夏帆.人機(jī)協(xié)同下民族傳統(tǒng)服飾數(shù)字時(shí)尚創(chuàng)新設(shè)計(jì)研究[J].設(shè)計(jì)，2024，37（18）：105-108.

[5]林儒凡，夏帆.基于數(shù)字時(shí)尚產(chǎn)業(yè)市場特點(diǎn)的設(shè)計(jì)師創(chuàng)新能力研究[J].設(shè)計(jì)，2024，37（12）：71-73.

[6]孫麗君，楊金芃.基于LowPoly風(fēng)格的三維動畫研究[J].現(xiàn)代電影技術(shù)，2021（11）：36-39+52.

[7]靳杜娟，白金絨，曹蓓.秋冬季青少年自行車騎行服結(jié)構(gòu)設(shè)計(jì)研究[J].天津紡織科技，2024（05）：21-24.

[8]李盛丹.業(yè)余自行車運(yùn)動騎行服設(shè)計(jì)研究[D].沈陽師范大學(xué)，2015.

[9]馬詩潔，徐華藝，李聰聰，等.基于大模型微調(diào)范式的繪畫風(fēng)格模擬方法[J].計(jì)算機(jī)應(yīng)用，2024，44（S1）：268-272.

[10]季菊萍.基于虛擬仿真技術(shù)的瑜伽運(yùn)動背心設(shè)計(jì)[J].遼寧絲綢，2023（03）：36-37.

[11]楊路漫，沈海娜，董心如.基于三維虛擬試衣技術(shù)的漢服設(shè)計(jì)與展示[J].設(shè)計(jì)，2022，35（19）：50-53.