基于区域风格校正的人物图像生成方法研究及其在纹理细节优化中的应用

针对现有人物图像生成方法在纹理细节保留和源图像约束方面的不足，南京信息工程大学自动化学院团队提出区域风格校正网络（Regional Style Rectification Network）。通过设计区域风格补偿模块生成形状无关的残差图，结合双注意力纹理转换机制（Dual-Attention）实现跨区域特征对齐，创新性引入区域风格一致性损失函数，显著提升生成图像的纹理真实度。实验证明该方法在姿态迁移（Pose Transfer）和属性编辑（Attribute Editing）任务中优于现有技术。

　　

在虚拟现实、影视制作等领域，人物图像生成技术一直面临严峻挑战——如何让计算机根据给定姿态（Target Pose）自动生成逼真的人物外观纹理？传统图形渲染方法计算成本高昂，而现有深度生成模型又存在纹理细节丢失、生成结果过度平滑等问题。究其原因，当前主流方法如PG²、DPIG等框架过度关注全局特征转换，却忽视了源图像（Source Image）对生成结果的区域化约束作用。更棘手的是，当目标姿态与源图像存在严重遮挡或视角差异时，卷积神经网络（CNN）难以处理这种空间形变，导致生成图像出现肢体扭曲或纹理失真的情况。

南京信息工程大学自动化学院的研究团队在《Pattern Recognition》发表创新成果，提出区域风格校正网络（Regional Style Rectification Network）。该研究突破性地将人物图像生成视为跨区域的风格迁移过程，通过双分支架构实现：姿态迁移分支采用区域分割策略避免特征干扰，创新设计的双注意力纹理转换模块（Dual-Attention Texture Transformation）建立源-目标特征的多尺度关联；风格校正分支则通过区域风格补偿模块生成形状无关的残差图（Shape-Independent Residual Map），配合区域风格一致性损失函数，使生成图像在肢体形变情况下仍能保持源图像的纹理分布特征。

关键技术包括：1）基于区域分割的特征建模技术，将人体分为多个语义区域独立处理；2）双注意力机制实现源-目标特征的空间对齐；3）风格残差图生成算法补偿形变区域的纹理差异；4）跨域风格一致性评估指标。实验采用DeepFashion和Market-1501数据集验证，相比基准模型VUNet和GFLA，新方法在FID指标上提升23.7%，用户调研显示纹理真实度评分提高31.2%。

主要研究结果

1. 姿态迁移分支：通过引入区域感知的编码器E₁和E₂，在DeepFashion数据集上测得区域间特征干扰降低42%，为后续风格校正提供高质量内容特征。
2. 双注意力机制：相比单注意力模型，该模块使不可见区域（如背部被遮挡衣物）的纹理重建准确率提升19.8%。
3. 区域风格补偿：生成的残差图成功校正了87.3%的形变区域纹理，特别是在衣物褶皱等细节处优于Flow-based方法。
4. 跨域一致性约束：即使肢体姿态差异达60°，该损失仍能保持源图像90%以上的色彩分布特征。

结论与意义
该研究首次将风格迁移理论引入人物图像生成领域，提出的形状无关特征建模方法突破了传统方法对空间对齐的依赖。实际应用中，仅需单张源图像即可生成多姿态逼真图像，为虚拟试衣、影视特效等场景提供新范式。未来可扩展至动态视频生成领域，但需解决时序连贯性问题。研究获得江苏省自然科学基金（BK20241900）和国家重点研发计划（2022YFC2405600）支持。