随着互联网的普及和发展,电子商务和网上购物已无时无刻不渗透到个人生活中。其中,购买视频中或者时尚网站上的明星同款商品,逐渐成为网上购物中的一大热潮。如何在庞大的电商数据库中准确地找到明星同款商品,成为当前首要解决的一大问题。传统的做法是对包含人体的图像进行处理,运用图像检测技术将图像中人体身上的衣服切割出来,放入数据库中进行衣服检索,找到与其相似度最高的几件衣服进行推荐。传统做法往往因为复杂背景、人体皮肤、衣服形变等原因,所以衣服检测的结果包含了些许噪音,这样的误差会积累到衣服检索中。本文运用生成对抗网络将人体衣服图像转换为平面化衣服图像,平面化图像中只保留了白色的背景和平铺的衣服图像,并使用平面化衣服图像用衣服检索。该方法代替了原来的衣服检测方法,并在一定程度上提升了衣服检索精度。目前,生成对抗网络在图像转换领域已经得到诸多重要应用。本文基于已有的生成对抗网络基础模型,将其与衣服图像领域相结合,提出了三种新的生成对抗网络模型,具体包括:(1)加入一个前馈神经网络用于平面化衣服的分类(简称分类器),将分类器产生的损失反向传播给生成器,指导生成器的训练和迭代;(2)为了使图像转换更为人性化,从买家的角度出发,该模型为生成器加入一个衣服类别条件作为指导,模拟买家提供类别需求,同时使用三元组损失函数代替判别器原本的损失函数,使判别器更具有自己的判别能力,提升判别器损失的作用强度;(3)运用级联的思想,将生成器分为两个阶段,第一阶段所生成的图像作为第二阶段生成器的输入,第二阶段则使用了双层生成器和特征匹配结构,该级联生成器结构能够生成更多的衣服细节。为了体现所提模型的优越性,通过爬虫采集大量原始图像数据,并经过一系列的预处理操作,构建了由人体衣服图像和平面化衣服图像构成的一对一的样本对数据集。实验表明,本文方法在平面化衣服图像的生成质量方面明显优于现有的生成对抗网络模型;同时,运用所生成的图像进行衣服检索评测,结果亦展现了本文方法的可用性和有效性。