注：為避免侵權，本文所用圖像均為AIGC生成或無版權網站提供；

衣服祛褶皺功能，目前在像素蛋糕、美圖云修、百度網盤AI修圖、阿里云都有相關的功能支持，它的價值就是將不平整的衣服圖像，變得整齊平整，去掉不美觀的衣服褶皺等。

功能分析

我們以像素蛋糕為例，來分析衣服祛褶皺功能，像素蛋糕中該功能界面如下：

支持衣服細褶皺和粗褶皺分別祛除兩個參數調節+整體程度參數調節；

效果舉例如下：

?

算法方案

對于衣服祛褶皺功能，目前公開的算法資料：

Paper: ABPN: Adaptive Blend Pyramid Network for Real-Time Local Retouching of Ultra High-Resolution Photo

Code：https://www.modelscope.cn/models/iic/cv_unet_skin-retouching/

但這份開源代碼是做人像美膚的代碼，是論文算法的一個應用，并未提供衣服祛褶皺相關的模型；

算法流程圖如下：

• 自適應混合金字塔網絡（ABPN），主要由上下文感知局部修飾層（LRL）和自適應混合金字塔層（BPL）組成。

• LRL采用多任務架構，包括共享編碼器、掩碼預測分支（MPB）和局部修飾分支（LRB）。MPB通過跳連接和軟掩碼引導特征融合，LRB利用門控卷積（GConv）和局部注意力模塊（LAM）實現高細節保真度的局部修飾。

• BPL基于混合層概念，設計了自適應混合模塊（ABM）及其反向版本（R-ABM），通過逐步上采樣和細化混合層，將低分辨率結果擴展到原始尺寸。ABM通過可學習的參數和Hadamard積實現靈活的圖像轉換，R-ABM則用于生成混合層。

在論文中，作者也對比了在PS中使用中性灰+Softlight的效果，如下圖所示：

在對比中，Softlight的效果較差，論文方法確實獲得了不錯的效果。

該論文方案可能也為當前市面上主流的幾家提供了一些技術方案。

但是，個人看來，這個算法還是有一些提升空間的，比如：

1.網絡輸入圖像可以處理5000×5000左右的大圖，如果是更大分辨率的圖，如何保證最終原圖清晰度的信息問題，存在一定的疑問。尤其是影樓修圖領域，5000×5000算是小圖了。

2.資源消耗，網絡輸入分辨率越大，對應資源消耗越大：

針對上述問題，個人優化方案：

方案一

1.使用上述方案，但處理最小分辨率512×512，保證較小的資源消耗和較快的性能；假設原圖S，resize小圖為S_small上述方案的效果圖為D；

2.根據D和S_small進行中性灰圖層計算，注意，這里需要參考線性光圖層混合，不可使用柔光圖層混合，論文中對比Softlight效果，個人覺得是有問題的，可能做算法的小伙伴并不擅長PS修圖。最終得到中性灰圖層蒙版D_mask；

3.將D_mask還原回原圖大小，得到圖D_hd；

4.將D_hd與原圖S做中性灰圖層混合，得到最終衣服祛褶皺效果D；

舉例如下：

方案二

1.構建衣服祛褶皺中性灰蒙版網絡，輸入512×512小圖+對應的衣服區域mask，輸出中性灰蒙版D_mask；

2.將D_mask還原回原圖大小，得到圖D_hd；

3.將D_hd與原圖S做中性灰圖層混合，得到最終衣服祛褶皺效果D；

這個方案最大的優勢是可以將原圖與效果圖完全解耦，對于大分辨率的圖，中性灰圖層混合并不會影響原圖本身其他區域的清晰度，同時，網絡推理性能也可以得到兼顧；

上述方案僅是本人的一些個人見解，用來拋磚引玉，歡迎與大家溝通交流；

?