随着互联网技术的不断进步与发展,网络购物平台的用户数量与日俱增。在众多可供浏览与购买的在线商品中服装占据了较大比例与营收份额。在此背景下,如何高效地检索、推荐在线服装商品成为业界亟待解决的难题。为了解决此问题,需要设计能够有效获取特定服装图像特征的方法用以保证服装检索、推荐系统的精度。传统方法一般利用物体检测技术对图像中的服装区域进行探测与切割,并利用切割出的图像作为后续系统的输入。但是,此种方法难免会因原始图像中复杂的背景、服装的不规则形变而引入大量噪声,继而影响抽取的服装特征质量。近期改进的方法则直接利用模特图像作为输入,通过图像生成技术生成白色背景的整洁平面服装图像来解决以上的噪音问题。此类方法能有效地去除服装区域的各类干扰,具有较大的优势。但现有的生成技术对于输入服装图像的质量要求较为严苛,且难以还原服装区域纹理图案等特征,无法生成保真度较高的高分辨率图像。若能解决以上问题,将有效提升抽取服装特征的质量,继而提升后续系统的性能。现有的生成方法中生成对抗网络的效果较为优秀,基于其实现的图像转换技术已用于许多领域。本文针对已有的生成对抗网络平面服装生成技术进行了改进,提出了一种基于图像融合的低分辨率平面服装转换方法,并以此为基础进一步提出了一种高分辨率平面服装生成方法。本文具体工作包括:(1)利用基于循环一致及特征损失的生成对抗网络模型生成具有真实纹理的平面服装模板;(2)使用薄板样条采样技术将输入服装与生成的服装模板进行对齐以保留服装细节,并基于图像融合技术将平面服装模板与扭曲服装进行融合,生成与输入图像特征一致的低分辨率平面服装图像;(3)基于超分辨率技术对生成的平面服装进行分辨率提升,并在高分辨率下对生成的平面服装进行进一步地融合,实现服装细节还原。为了验证所提方法的优越性,本文通过网络爬虫技术采集了大量的服装图像数据,构建了服装区域图像与平面化服装图像的样本对数据集,并以此为基础进行了充分地实验验证。实验效果表明,本文方法生成的平面服装保留了原始服装的特征,在真实性及检索性能上均优于现有的服装转译模型。