تا به حال به این فکر کرده اید که چه چیزی در چاپ تی شرت کاربرد دارد؟ مسیر تغییر یک تی شرت ساده به پیراهنی که با شخصیت شما صحبت می کند ساده است. شما می توانید روش چاپ را متناسب با نیازهای شخصی و حرفه ای خود تغییر دهید.
برخی از محبوب‌ترین روشهای چاپ روی تیشرت عبارتند از: تیشرت گیم سایت منبع خرید تیشرت گیم چاپ روی صفحه، چاپ مستقیم روی لباس، تصعید رنگ، چاپ پرس حرارتی، و وینیل‌های قابل انتقال حرارت. در حالی که اینها روش هایی هستند که بر صنعت تسلط دارند، شما چند راه دیگر برای چاپ تصویر روی پیراهن خواهید یافت.
طرح هایی که برای چاپ انتخاب می کنید با توجه به برند شما و آنچه مشتریان شما می خواهند متفاوت است. به دلیل گزینه های مختلف برای چاپ تی شرت، باید تصمیم بگیرید که کدام تکنیک چاپ تی شرت با برند و بازار هدف شما مطابقت دارد.
8 بهترین روش چاپ تی شرت
چاپ تیشرت
تکنیک های مختلف چاپ تی شرت دارای سطوح مختلف کارایی هستند.
اگر شما یک کسب و کار در مقیاس کوچک هستید که روزانه ده تی شرت چاپ می کنید، یک روش ممکن است کارساز باشد، اما زمانی که صد پیراهن در روز چاپ می کنید، موثر نخواهد بود.
روشی که انتخاب می کنید نیز بسته به متریالی که برای چاپ انتخاب می کنید و تعداد رنگ هایی که می خواهید چاپ کنید متفاوت خواهد بود.
برخی از روش ها اجازه چاپ چند رنگ را می دهند، در حالی که برخی دیگر فقط یک رنگ را مجاز می دانند.
همچنین می خواهید سرمایه گذاری اولیه خرید تجهیزات چاپ را در نظر بگیرید.
با این اوصاف، بیایید به 9 روش برتر برای چاپ تی شرت نگاه کنیم.
1. چاپ روی صفحه
چاپ روی صفحه تکنیکی است که در آن از مش برای انتقال جوهر روی پیراهن استفاده می شود، به جز در مناطقی که توسط یک شابلون مسدود کننده به جوهر نفوذ ناپذیر می شود.
چاپ صفحه به عنوان سریگرافی نیز شناخته می شود.
همچنین یکی از روش هایی است که چاپگرهای حرفه ای مواد را به دلیل ماهیت باکیفیت محصول نهایی ترجیح می دهند.
متوجه خواهید شد که الیاف طبیعی، مانند پنبه، به دلیل سرعت جذب جوهر، هنگام چاپ روی آن بهترین رفتار را دارند.
نحوه چاپ روی تی شرت
برای انجام چاپ روی صفحه به یک نخ مصنوعی مانند مش نایلونی و یک الگو برای چاپ نیاز دارید.
مش نایلونی صفحه نمایش شابلون را در جای خود نگه می دارد و یک رزمی ضد آب فضای منفی را مسدود می کند.
سپس جوهر را با استفاده از یک اسکاج روی صفحه پخش کنید. فضای نگاتیو مسدود شده اجازه می دهد تا چاپ به تی شرت منتقل شود.
با گذشت زمان، شما یک پیراهن با چاپ حرفه ای دارید - پیراهنی که طراحی منحصر به فرد شما را دارد!
چرا چاپ سیلک را انتخاب کنید؟
چاپ سیلک یکی از بهترین و قدیمی‌ترین روشهای چاپ تیشرت است و از آنجایی که طرحی بادوام و پر جنب و جوش را از خود به جای می‌گذارد، یکی از گزینه‌های محبوب باقی مانده است.
این روش چاپ امکان طرح های چند رنگ را فراهم می کند. شما فقط باید برای هر رنگ جدیدی که به چاپ اضافه می کنید صفحه های مختلفی ایجاد کنید.
به نظر می رسد روشی زمان بر است، اما کمترین میزان ضایعات را ایجاد می کند، زیرا شما از همان صفحه نمایش ها و قالب ها بیش از یک بار استفاده مجدد می کنید.
از آنجا که شما چندین صفحه نمایش ایجاد می کنید، می توانید به طور موثر مقادیر زیادی سفارش را حفظ کنید.
اگر طراحی شما به بیش از 4 تا 6 رنگ نیاز دارد و نمی‌بینید که تمام صفحه‌ها را می‌سازید، چاپ سیلک ممکن است بهترین گزینه برای شما نباشد.
مزایای استفاده از چاپ روی صفحه
نسبتا مقرون به صرفه برای تولید سفارشات عمده.
جوهر به عمق لباس جذب می شود و طرح های اشباع و خیره کننده ای را به جا می گذارد.
صفحات ابریشم را می توان مجدداً استفاده کرد و این روش را به صرفه و سازگار با محیط زیست می کند.
سازگار با اکثر پارچه ها (بهترین عملکرد را روی الیاف طبیعی دارد).
طرح ها بادوام هستند.
معایب استفاده از چاپ روی صفحه
جوهرهای استفاده شده برای چاپ روی صفحه، روش را کمی نامرتب می کند.
برای طرح های پیچیده و چند رنگ مناسب نیست زیرا باید برای هر رنگ صفحه نمایش جدیدی ایجاد شود.
برای تسلط نیاز به تمرین دارد.
برای اطمینان از طول عمر، باید در یک منطقه بزرگ و عاری از گرد و غبار نگهداری شود.
شروع چاپ روی صفحه چقدر هزینه دارد؟
این پست به جزئیات در مورد همه چیزهایی که باید در مورد چاپ روی صفحه بدانید و تجهیزات دقیقی که برای شروع به آن نیاز دارید می پردازد.
آنها قیمتی بین 1030 تا 3618 دلار برای شروع کسب و کار چاپ صفحه شما تخمین می زنند.
2. مستقیم به پوشاک (DTG)
مستقیم به چاپ پوشاک
منبع: dtgprintermachine.com
چاپ مستقیم به لباس (DTG) همچنین چاپ جوهر افشان به لباس نیز نامیده می شود و فرآیند چاپ گرافیک بر روی منسوجات است.
از فناوری جوهر افشان برای چاپ هر تصویری بر روی تی شرت استفاده می کند - بنابراین اساساً یک چاپگر تی شرت.
چاپ DTG با چاپ سیلک متفاوت است زیرا می توانید هر چیزی را که می خواهید روی تیشرت خود چاپ کنید.
برخی از چاپگرهای DTG می‌توانند تا 16 میلیون رنگ مختلف را در یک پاس چاپ کنند - در مقابل پاس‌های متعددی که باید با یک صفحه ابریشمی انجام دهید.
جوهر چاپگر به جای اینکه مانند انتقال اتو در بالای آن قرار گیرد، در خود لباس خیس می شود.
اگر DTG را انتخاب می کنید، می خواهید روی یک چاپگر با کیفیت خوب سرمایه گذاری کنید. چاپگرهای بی کیفیت احتمالاً شما را با مشکلات تعمیر و نگهداری و تولید با کیفیت پایین مواجه می کنند.
توجه: من چند سال پیش در زمانی که DTG فقط چند سال بود روی ماشین خودم سرمایه گذاری کردم
در این بخش، روشی را برای ترجمه تصویر شخصیت انیمه به تصویر لباس کازپلی پیشنهاد می کنیم. pix2pix مرسوم [11] برای ترجمه‌هایی که شامل تغییرات بزرگ در شکل اشیاء هدف می‌شوند مناسب نیست و بنابراین، همانطور که بخش 4.1 توضیح می‌دهد، در ترجمه تصویر شخصیت انیمه به تصویر cosplay با مشکل مواجه می‌شود. تیشرت انیمه ناروتو کلیک کنید تیشرت انیمه ای دخترانه معماری GAN ما از pix2pix [11] به عنوان ستون فقرات استفاده می‌کند، و ما یک ضرر جدید با تکنیک‌های مفید معرفی می‌کنیم که بخش 4.2 ارائه می‌کند.
خط پایه pix2pix
چارچوب pix2pix از یک ژنراتور G و تشخیص دهنده دامنه Dd تشکیل شده است. مجموعه داده های زوجی از تصاویر آموزشی با {(x,y)} نشان داده می شود، که در آن x یک تصویر شخصیت انیمه و y یک تصویر لباس cosplay است. هدف این بود که تصویر ورودی را با استفاده از بازی Minimax زیر به تصویر هدف نزدیکتر کنیم:
minGmaxDdLGANdomain(G,Dd)+λLL1(G),
(1)
جایی که λ اهمیت دو عبارت را کنترل می کند و تابع هدف LGANdomain(G,Dd) و تابع ضرر L1 LL1(G) به صورت تعریف می شوند.
LGANdomain(G,Dd)=E(x,y)[log(Dd(x,y)]+Ex[log(1−Dd(x,G(x)))],
(2)
LL1(G)=E(x,y)[∥y−G(x)∥1].
(3)
چارچوب pix2pix U-Net [27] را به عنوان G و یک شبکه مبتنی بر پچ و کاملاً کانولوشن [21] را به عنوان Dd پذیرفته است. U-Net یک مسیر انقباضی بین رمزگذار و رمزگشای رمزگذار خودکار معمولی دارد که به تولید تصویر با کیفیت بالا کمک می کند. متمایز کننده قضاوت می کند که آیا وصله های تصویر محلی واقعی یا جعلی هستند، که جزئیات تصاویر تولید شده را بهبود می بخشد.
همانطور که در (1) مشاهده می شود، pix2pix یادگیری مخالف و از دست دادن L1 را ترکیب می کند. به حداقل رساندن اتلاف L1 امکان یادگیری مطابقت اشکال و رنگ‌ها بین دو حوزه تصویری را که ترکیب‌های بصری آنها ارتباط نزدیکی دارند (به عنوان مثال، ساختن تصاویر و تصاویر تقسیم‌بندی معنایی آنها [6]) را می‌دهد. با این حال، در مورد ترجمه از یک تصویر شخصیت انیمه به یک تصویر لباس cosplay، اشکال اشیاء مطابقت ندارند و بنابراین نمی‌توانند به خوبی با از دست دادن L1 ثبت شوند. علاوه بر این، یادگیری خصمانه که بر وصله‌های تصویر محلی تمرکز دارد، توانایی بهبود کیفیت جهانی تصاویر تولید شده را ندارد.
معماری GAN پیشنهادی
برای حل مشکلات فوق با استفاده از چارچوب معمولی pix2pix در کارمان، ما یک معماری جدید GAN با تمایز دامنه بهبود یافته ارائه می‌کنیم (به بخش 4.2.1 مراجعه کنید). برای افزایش کیفیت تولید، GAN ما دارای عملکردهای اضافی است: یک تشخیص دهنده واقعی/جعلی (به بخش 4.2.2 مراجعه کنید) و از دست دادن تطبیق ویژگی (به بخش 4.2.3 مراجعه کنید). ما یک ضرر جدید را پیشنهاد می کنیم که سازگاری بین تصاویر ورودی و خروجی را حفظ می کند (به بخش 4.2.4 مراجعه کنید). تابع هدف نهایی برای آموزش GAN ما در بخش 4.2.5 توضیح داده شده است. شکل 6 معماری کلی GAN های ما را نشان می دهد و شکل 7 معماری تمایزکنندگان ما را نشان می دهد.
شکل 6
شکل 6
مروری بر معماری GAN پیشنهادی
تصویر در اندازه کامل
شکل 7
شکل 7
ساختارهای متمایزکننده مدل ما
تصویر در اندازه کامل
تمایز دامنه بهبود یافته است
برای ترجمه موثر انیمه به واقعی، از دو تکنیک برای بهبود تشخیص دهنده دامنه Dd استفاده شد. اول، برای تثبیت تولید تصویر با کیفیت بالا از سطوح درشت به ریز، ما تمایزگر را به یک معماری چند مقیاسی [37] گسترش دادیم، anime همانطور که در شکل 7 (الف) نشان داده شده است. به طور خاص، با استفاده از سه تمایز (D1، D2 و D3) با ساختارهای شبکه یکسان اما مقیاس‌های تصویر متفاوت، هدف به عنوان یک یادگیری چند وظیفه‌ای اصلاح می‌شود.
minGmaxDdDd∑k=13LGANدامنه(G,Ddk),={Dd1,Dd2,Dd3}.
(4)
حل این مشکل، ژنراتور G را راهنمایی می‌کند تا با حفظ جزئیات دقیق، تصاویری سازگار جهانی تولید کند. ما نرمال سازی طیفی [24] را برای هر تفکیک کننده اعمال کردیم تا محدودیت Lipschitz را برآورده کنیم.
دوم، ما یک نظارت اصلاح شده بر تمایز دامنه طراحی کردیم. تشخیص دهنده دامنه اصلی pix2pix تعیین می کند که آیا یک تصویر ورودی و یک تصویر تولید شده جفت می شوند یا خیر. به طور خاص، با توجه به یک تصویر ورودی، تصویر واقعی زمین (GT) و هر تصویر سنتز شده را به ترتیب درست و نادرست در نظر می‌گیرد. با این حال، این نظارت برای به تصویر کشیدن رابطه بین انیمه و دامنه واقعی بسیار ضعیف است. با الهام از کارهای مرتبط [41]، قضاوت‌های نادرست جدیدی اضافه کردیم: برای هر تصویر ورودی، به تصاویر دیگر برچسب‌های نادرست می‌دادیم، زمانی که آنها لباس واقعی بودند، اما با تصویر واقعی مرتبط با تصویر ورودی مطابقت نداشتند. این نظارت جدید مرتبط/غیر مرتبط می‌تواند انتقال تصویر شخصیت انیمه را به یک تصویر لباس واقعی‌تر و مرتبط‌تر تسهیل کند.
ممیز واقعی/جعلی
با استفاده از تمایز دامنه به تنهایی، تولید تصاویر با تغییرات شکل قابل توجه، مانند ترجمه از شخصیت های انیمیشن به تصاویر لباس، دشوار است. این به این دلیل است که تمایز کننده دامنه فقط تعیین می کند که آیا دو تصویر ورودی مرتبط یا غیر مرتبط هستند و در کیفیت تصویر تولید شده تخصص ندارد. برای بهبود کیفیت تصویر، ما نیاز به استفاده از یک تفکیک کننده داشتیم که کیفیت تصویر تولید شده را بررسی می کرد که به آن تشخیص دهنده واقعی/جعلی می گویند [41]. آخرت، واقعی/فاke discriminator به عنوان Dr.
مانند تمایز کننده دامنه بهبودیافته، این تشخیص دهنده واقعی/جعلی نیز باید به تولید تصویر با کیفیت بالا کمک کند. در اینجا، برای حفظ سازگاری محلی، ما یک تفکیک کننده وصله چند مقیاسی مشابه ساختار گزارش شده در [30] پیشنهاد می کنیم. همانطور که در شکل 7 (ب) نشان داده شده است، تفکیک کننده وصله چند مقیاسی ما سه وصله مختلف را خروجی می دهد: نقشه های ویژگی 1 × 1، 13 × 13، و 61 × 61. این متمایز کننده های مختلف به ترتیب Dr1، Dr2 و Dr3 نشان داده می شوند. استفاده از چندین اندازه وصله امکان ثبت جزئیات ریز و ساختارهای درشت را در تصویر فراهم می کند. GAN تصاویر را از طریق بازی Minimax زیر تولید می کند:
minGmaxDrDr∑k=13LGANواقعی/جعلی(G,Drk),={Dr1,Dr2,Dr3},
(5)
که در آن تابع هدف LGANreal/fake(G,Dr) توسط داده می شود
Ey[log(Dr(y))]+Ex[log(1-Dr(G(x)))].
(6)
ما همچنین نرمال سازی طیفی را برای هر تمایز اعمال کردیم.
از دست دادن تطبیق ویژگی
از دست دادن تطبیق ویژگی در ابتدا توسط [37] ارائه شد تا تصویری نزدیکتر به تصویر واقعی مربوطه ایجاد کند. برای یک جفت معین از تصاویر واقعی و سنتز شده، به عنوان تلفات L1 بین خروجی های لایه میانی یک تشخیصگر محاسبه می شود. ما D(i) را به عنوان لایه i-ام تشخیص دهنده تعیین کردیم. در روش پیشنهادی، از دست دادن تطبیق ویژگی بر اساس تمایزگر دامنه و از دست دادن تطبیق ویژگی بر اساس تشخیص‌دهنده واقعی/جعلی به صورت زیر تعریف می‌شوند:
LFMdomain(G,Dd)=E(x,y)∑i=1TNi[∥∥D(i)d(x,y)−D(i)d(x,G(x))∥∥1],
(7)
LFMreal/fake(G,Dr)=E(x,y)∑i=1TNi[∥∥D(i)r(y)−D(i)r(G(x))∥∥1]،
(8)
که در آن T تعداد کل لایه ها است و Ni تعداد عناصر هر لایه را نشان می دهد [37].
شکل 8
شکل 8
بررسی اجمالی محاسبه تلفات سازگاری ورودی، که بر اساس از دست دادن L1 ماتریس استخراج شده از لایه های میانی تفکیک کننده است.
تصویر در اندازه کامل
از دست دادن ثبات ورودی
در وظیفه ما، ژنراتور باید تصاویر واقعی لباس تولید می کرد که اطلاعات دقیق شکل و رنگ تصاویر شخصیت های انیمیشن اصلی خود را حفظ می کرد. برای حفظ سازگاری بین تصاویر ورودی و تصاویر خروجی مربوطه آنها، ما روشی را برای به حداقل رساندن تفاوت بین آنها پیشنهاد می کنیم که از دست دادن ثبات ورودی نامیده می شود. شکل 8 نمای کلی محاسبات ما را نشان می دهد. همانطور که نشان داده شده است، ما تلفات L1 را در تمام لایه های میانی به صورت زیر محاسبه کردیم:
Linputreal/fake(G,Dr)=Ex∑i=1TNi[∥∥D(i)r(x)−D(i)r(G(x))∥∥1].
(9)
شکل 9
شکل 9
ساختار ژنراتور U-Net ما. (تصویر: ساکای واکانا، تاری تاری)
تصویر در اندازه کامل
آموزش
در نهایت، با استفاده از U-Net به عنوان مولد که ساختار آن در شکل 9 نشان داده شده است، هدف کامل ما بر اساس ترکیبی از اهداف GAN، تطبیق ویژگی ها، و تلفات سازگاری ورودی به شرح زیر محاسبه شد.
minG(maxDd,Dr(∑3k=1LGANdomain(G,Ddk)+∑3k=1LGANreal/fake(G,Drk))+∑3k=1LFMdomain(G,Ddk)+∑3k=1Linputreal/fake(G,Drk) +λLL1(G)).
(10)
آموزش GAN های مبتنی بر تصاویر با وضوح بالا اغلب منجر به مشکل گرادیان می شود و زمان محاسبات زیادی را می طلبد. برای کاهش این مشکل، ما از یک طرح درشت به ریز برای آموزش GAN استفاده کردیم [13]. این طرح به‌تدریج هم مولد و هم متمایزکننده را رشد می‌دهد: با شروع تصاویر با وضوح پایین، لایه‌های جدیدی اضافه کردیم که جزئیات با وضوح بالاتر را با پیشرفت آموزش معرفی کردیم. اثربخشی این طرح درشت به ریز نیز در آزمایش‌ها مورد بررسی قرار گرفت.
ارزیابی تجربی
جزئیات پیاده سازی
ما مجموعه داده را به 32608 تصویر آموزشی و 3025 تصویر آزمایشی تقسیم کردیم. همه شبکه‌ها با استفاده از بهینه‌ساز Adam [14] با نرخ یادگیری اولیه 0.0002 = α و پارامترهای مومنتوم β1 = 0.5 و β2 = 0.99 روی دو پردازنده گرافیکی NVIDIA RTX 2080Ti آموزش دیدند. پس از 70 دوره، نرخ یادگیری α به صورت خطی در طول 30 دوره بعدی کاهش یافت. وزن اولیه از توزیع نرمال با میانگین صفر و انحراف معیار 0.02 نمونه برداری شد. برای جلوگیری از برازش بیش از حد، ما تکنیک‌های افزایش داده زیر را [31] برای تصاویر انیمه ورودی اعمال کردیم: چرخش‌های تصادفی سه درجه، برش تصادفی، و لرزش رنگ و اشباع 0.05. ما همچنین تلنگرهای افقی تصادفی را روی تصاویر لباس اعمال کردیم. برای از دست دادن خصمانه GAN ها، ما از اختلاف مجذور استفاده کردیم، همانطور که برای LSGAN ها پیشنهاد شد [22]. در تمام آزمایش‌ها، ما از λ = 10 در معادله استفاده کردیم. (10) و N1 = 5، N2،3،4 = 1.5، و N5 = 1 در معادلات. (7) و (8).
معیارهای ارزیابی
عملکرد یک سیستم ترجمه جفت تصویر به تصویر باید از دو دیدگاه ارزیابی شود: شباهت های مبتنی بر تصویر و شباهت های مبتنی بر توزیع. اول، چون هر تصویر منبع یک سیستم دارای یک تصویر هدف مربوطه است، تصاویر تولید شده و هدف باید مشابه باشند. ثانیاً، تصاویر تولید شده در همان حوزه را می توان به طور منطقی فرض کرد که از یک توزیع احتمال یکسان نمونه برداری شده اند، بنابراین توزیع های احتمال به دنبال مجموعه تصاویر تولید شده و هدف باید مشابه باشند. نقطه اول و دوم با استفاده از شباهت وصله تصویر ادراکی آموخته شده (LPIPS) [42] و Fréchet Inception d اندازه گیری شد.به ترتیب (FID) [10].
شباهت وصله تصویر ادراکی آموخته شده (LPIPS) [42]: LPIPS میزان مشابه بودن دو تصویر را با استفاده از بردارهای ویژگی استخراج شده از لایه میانی AlexNet [15] تعیین می کند. مقدار LPIPS کمتر به این معنی است که تصویر تولید شده از نظر ادراکی بیشتر شبیه تصویر واقعی است. Footnote2
فاصله شروع فریشت (FID) [10]: با فرض اینکه تصاویر در همان حوزه از یک توزیع احتمال یکسان نمونه برداری می شوند، FID واگرایی بین دو توزیع احتمال را به ترتیب با مجموعه تصاویر تولید شده و هدف اندازه گیری می کند. به طور خاص، FID فاصله Wasserstein-2 بین توزیع‌های تقریبی با گاوسی را محاسبه می‌کند، که با استفاده از بردارهای استخراج‌شده از لایه میانی شبکه‌های اولیه [33] هنگام وارد کردن تصاویر تولید شده و هدف تخمین زده شد. با بهبود سیستم سنتز تصویر، امتیاز FID باید کاهش یابد. آزمایش‌های ما دو مدل Inception v3 را برای محاسبه FID آماده کردند: یک مدل عمومی که با استفاده از ImageNet از قبل آموزش داده شده بود و دیگری که برای یک دامنه مد به‌خوبی تنظیم شده بود. به طور خاص، دومی با استفاده از 289222 تصویر از پایگاه داده DeepFashion [19] آموزش داده شد تا بتواند 50 دسته لباس ریزدانه را در معیار پیش‌بینی رده و ویژگی تشخیص دهد. ویژگی های بصری خاص نمرات محاسبه شده با استفاده از مدل اول و دوم به ترتیب با FID و FIDFashion نشان داده می شوند.
مقایسه پیکربندی های مختلف روش پیشنهادی
جدول 2 مقایسه پیکربندی آموزش. روش پیشنهادی مربوط به پیکربندی (j) است که بهبود را از خط پایه در FID و LPIPS نشان می‌دهد.
جدول اندازه کامل
شکل 10
شکل 10
نتایج تولید تصویر با پیکربندی های مختلف (a)–(i)، که با ردیف های جدول 2 مطابقت دارد. GT مخفف "زمینه حقیقت" است. (تصاویر ورودی عبارتند از: Tsurumaru Kuninaga، Touken Ranbu؛ Sakai Wakana، TARI TARI؛ Sakurauchi Riko، Love Live! Sunshine!!؛ Gamagori Ira، Kill la Kill؛ Ginko، Mushishi؛ Yona، Akatsuki no Yona؛ Kitashirakawa Tamako، Tamako Market; و Tateyama Ayano، پروژه Kagerou)
تصویر در اندازه کامل
برای ارزیابی اثربخشی تکنیک های شرح داده شده در بخش 4.2، چندین پیکربندی از روش پیشنهادی را آزمایش کردیم. جدول 2 نتایج ارزیابی کمی را نشان می دهد. خط مبنا (a) از pix2pix مرسوم [11] استفاده می‌کند، همانطور که در بخش 4.1 توضیح داده شد. در (ب)، طرح درشت به ریز را اضافه کردیم، که در آن اندازه نقشه‌های ویژگی تمایزکننده را از 70 × 70 به 1 × 1 تغییر دادیم. پانوشت4 در (ج)، موقعیت‌های تمام تصاویر لباس را کالیبره کردیم. اثربخشی رویکرد ساخت مجموعه داده ما را تأیید کنید. در (d)، ما تمایز واقعی/جعلی [41] را اضافه کردیم. این تمایز به طور قابل توجهی دو نوع امتیاز FID را در مقایسه با (c) بهبود بخشید. این ژنراتور را قادر می سازد تا تصاویری مشابه تصاویر GT تولید کند. در (e)، جفت‌های غیر مرتبط با برچسب‌های نادرست را به آموزش تمایزکننده دامنه اضافه کردیم. در (f)، ما نرمال سازی طیفی را برای هر تمایز اعمال کردیم، که آموزش را پایدار کرد و به طور قابل توجهی دو نوع امتیاز FID را بهبود بخشید. در (g)، ما از تمایز چند مقیاسی Dd استفاده کردیم. در (h)، ما از متمایز کننده وصله چند مقیاسی Dr استفاده کردیم که نمرات FID را بهبود بخشید. در (i)، ضررهای تطبیق ویژگی LFMdomain (G, Dd) و LFMreal/fake (G, Dr) را اضافه کردیم. اینها به تولید تصاویری کمک کردند که یکپارچگی جهانی و محلی را ثبت کردند و همه معیارهای عملکرد را در مقایسه با (h) بهبود بخشیدند. در نهایت، در (j)، از دست دادن سازگاری ورودی را اضافه کردیم و روش پیشنهادی را تکمیل کردیم. روش ما بهترین امتیازات FID و FIDfashion و همچنین امتیاز LPIPS بهتری را نسبت به پایه بدست آورد. شکل 10 نتایج تولید تصویر لباس هر پیکربندی را برای هشت تصویر آزمایشی نشان می دهد. ما در شکل 10 مشاهده کردیم که افزودن هر تکنیک به معماری به طور موثر کیفیت تصویر را بهبود می بخشد. به طور خاص، همانطور که در شکل 10 (h) و شکل 10 (j) نشان داده شده است، تشخیص دهنده وصله چند مقیاسی Dr و از دست دادن قوام ورودی به توصیف دقیق بافت ها کمک کردند.
مقایسه روش پیشنهادی با روشهای مرسوم
با استفاده از مجموعه داده ساخته شده با رویکرد ما در بخش 3، روش خود را با روشهای مرسوم زیر مقایسه کردیم:
Drawingforall.net در حال حاضر تعدادی دستورالعمل مختلف در مورد نحوه ترسیم انیمه دارد. ما هم دستورالعمل های اولیه در مورد به تصویر کشیدن انیمه و هم دستورالعمل هایی در مورد شخصیت های خاص داریم. تیشرت با طرح انیمه در یک آموزش اخیر نحوه کشیدن بدنه انیمه را توضیح دادیم و اکنون نحوه کشیدن لباس انیمه را نشان می دهیم، زیرا به ندرت مجبور می شویم یکی را بدون دیگری ترسیم کنیم. در زیر نحوه کشیدن لباس انیمه مردانه و نحوه کشیدن لباس انیمه زنانه را نشان می دهیم.
مرحله 1
برای طراحی لباس انیمه مردانه ابتدا باید تمام جزئیات را به شکل اشکال هندسی ساده به تصویر بکشیم. برای گرفتن چنین طرح لباس گشادی از خطوط روشن استفاده کنید.
نحوه کشیدن لباس انیمه مردانه
گام 2
اکنون قابل توجه ترین و مهم ترین جزئیات مانند یقه، کراوات، کمربند و جیب ها را در طراحی لباس خود اضافه کنید. تمام این خطوط و همچنین در مرحله قبل باید بسیار سبک باشند.
نحوه کشیدن لباس انیمه برای مبتدیان
مرحله 3
حالا بیایید طراحی لباس انیمه را با جزئیات بیشتری انجام دهیم. برای انجام این کار، همه را با استفاده از خطوط تیره و واضح ردیابی کنید. دستورالعمل های غیر ضروری را حذف کنید و جزئیاتی مانند جیب ها، پلیسه ها و درزها را اضافه کنید.
آموزش طراحی لباس انیمه
مرحله 4
با افزودن سایه، کشیدن لباس انیمه مردانه را به پایان برسانید. ابتدا خطوط سایه ها را در مکان های مشخص شده در مثال ما ترسیم کنید، سپس خطوط را با استفاده از یک دریچه یکنواخت پر کنید.
نحوه کشیدن لباس انیمه
بنابراین، همانطور که می بینید، کشیدن لباس انیمه مردانه بسیار ساده است. می توانید عناصر را جایگزین کنید، به عنوان مثال با به تصویر کشیدن یک تی شرت همراه با شورت، به جای پیراهن و شلوار. به هر حال، اصل طراحی لباس انیمه مردانه باقی خواهد ماند. اما کشیدن لباس انیمه زنانه کمی دشوارتر است. البته می‌توانید پیراهن و شلوار را روی یک دختر به تصویر بکشید، همانطور که بالاتر می‌بینید، اما در انیمه اغلب دامن، لباس و بلوز روی دختران انیمه دیده می‌شود. و بنابراین در زیر نحوه کشیدن دامن و بلوز انیمه را نشان خواهیم داد.
مرحله 1
بنابراین، برای کشیدن لباس انیمه زنانه، باید خطوط اصلی را با استفاده از خطوط روشن و اشکال هندسی ساده ترسیم کنیم.
نحوه کشیدن لباس انیمه زنانه
گام 2
حالا مهم‌ترین و جدایی‌ناپذیر‌ترین قسمت‌ها مانند باند دور گردن، سرآستین‌ها و چین‌های پایین دامن را اضافه می‌کنیم.
نحوه کشیدن لباس انیمه
مرحله 3
اکنون با استفاده از خطوط روشن و تیره، همه چیز را با خطوط تیره و واضح ردیابی کنید. همانطور که در مثال زیر نشان داده شده است، چین ها و جزئیات اضافی را بکشید.
نحوه کشیدن لباس انیمه
مرحله 4
و مرحله تکمیل که به کمک جوجه کشی ساخته خواهد شد. ابتدا خطوط سایه ها را ایجاد می کنیم و سپس با کمک همین هچینگ این نواحی را پر می کنیم، همانطور که در نمونه لباس انیمه مردانه نشان داده شد.
نحوه کشیدن لباس انیمه
بنابراین در بالا به شما نشان دادیم که چگونه لباس های انیمه بکشید. این درس برای کسانی که می خواهند عمیق تر برای ترسیم انیمه بیاموزند بسیار مهم خواهد بود. سعی کنید جزئیات را تغییر دهید، سعی کنید لباس های انیمه را از دیدگاه های مختلف ترسیم کنید و البته مهم ترین چیز، سعی کنید همین لباس های انیمه را روی شخصیت های انیمه به تصویر بکشید.