产品
一款数字衣橱应用，将衣物数字化管理、穿搭灵感解析与个人衣橱匹配整合为连续体验，让收藏的穿搭灵感真正转化为可使用的日常搭配。
项目信息
个人独立设计与开发的移动端 App 项目，涵盖产品设计、AI 工作流与前端实现。目前已完成核心功能开发，处于可运行原型的测试与迭代阶段。
痛点
用户难以记清已有衣物，也缺乏有效的搭配思路；收藏的穿搭灵感与真实衣橱脱节，用户难以快速找到相似单品，也难以判断现有衣物能否组合出理想搭配。
解决方案
通过 AI 自动识别与重建衣物，降低数字衣橱的录入负担；解析穿搭灵感并匹配已有单品，生成可编辑的搭配方案，同时保留用户确认与调整的自主权。
人机协作工作流
设计师定义 AI 执行边界，AI 负责识别、匹配与生成，用户只在关键节点做决定。导入衣物阶段，用户确认必要属性与存放位置；匹配阶段，用户判断推荐是否合适；生成阶段，用户选择方案并继续调整。从而减少重复操作，保留最终结果的可控性。
AI 自动执行
用户决策
用户操作
01 建立衣橱
上传单品 / 批量导入
从相册导入单张或多张衣物图片
AI 识别属性
提取类别、颜色、材质与版型信息
用户确认字段
核对分类、颜色、季节及存放位置
保存至衣橱
完成单品建档，建立数字衣橱
02 灵感匹配
上传灵感图
从相册或灵感图库选择穿搭参考
AI 拆解搭配要素
识别服装类别、颜色与版型特征
AI 匹配衣橱单品
检索个人衣橱，推荐相似或可替代单品
用户确认或替换
查看匹配结果，替换不合适的单品
03 生成搭配
AI 生成搭配方案
基于已选单品生成 2–3 套搭配
用户选择与调整
比较不同方案，调整单品及布局
保存至搭配
确认最终方案，保存到个人搭配页
设计
逐件确认改为批量核对
AI 先完成信息提取，用户只需确认分类、颜色、季节和存放位置等影响后续筛选的必要字段，并单独处理异常项。从而降低操作负担，缩短导入衣物时间。
Before-逐件填写与确认
After-批量核对，统一加入
Exception-单件异常，独立处理
匹配结果清晰可判断
AI 根据衣物特征推荐相近单品，并通过「可用」「可替代」「尚待选择」区分匹配程度。用户可以直接采用推荐，也可以手动替换不合适的单品。
可用： 已满足版型与色彩要求，可直接进入搭配。
可替代： 风格接近，但在细节或材质上仍有偏差。
尚待选择： 当前衣橱中没有理想项，需要继续补充。
从自动生成到自主调整
AI 基于匹配结果生成三套搭配：一套还原灵感，两套延伸色彩组合。用户选择后，可以继续替换单品、添加单品或调整布局，而不必从头开始搭配。
决策
模型保真
我优先保留衣物的真实轮廓与关键细节，而不是追求更完整的重绘。在模型对比中，有些结果会额外添加不存在的装饰，或改变裙摆、领口等关键结构。因此最终选择以清理背景、恢复原始形态、保留细节特征为核心的模型A，让生成结果更接近真实衣物。
原始图片
上传图片
模型A
轮廓和材质较接近
镂空纹样和长度保留较好
模型B
衣架与棋盘背景仍然保留
实景织物背景仍然保留
模型C
增加荷叶边和蕾丝
下摆纹样改写，背景仍保留
匹配质量
早期匹配过于依赖版型相近，容易忽略颜色与材质差异。因此我提高了颜色与结构特征的权重，再综合版型、材质与细节判断推荐结果。优化后，推荐不再只是“版型相似”，而是更接近灵感目标的整体风格。
Reference-灵感目标
Extracted Item-灵感单品
酒红/短款/无领皮衣
Before — 错误优先推荐
短款相似，材质与颜色偏离
After — 修正后推荐
材质与颜色更接近，仍存在细节差异
v16 — 原始比例
裙装偏大，单品比例失衡
最终版 — 比例取舍
肩腰校准，包鞋尺寸独立
上装偏小，搭配重心失衡
放宽约束，平衡上下装
细框：完整轮廓边界；紫红线：肩、躯干、下摆与裙腰的人工分析标注，不代表真实身体尺寸。
自适应画布比例
初版仅按衣物整体轮廓控制尺寸，仍出现上装偏小、裙装偏大的问题。我选择合理搭配案例作为参考，让 AI 分析单品之间的比例关系，并提取肩线、躯干、下摆与裙腰等关键位置。在此基础上，针对不同品类调整尺寸约束：放宽无袖上装的下摆限制，校准外套与裙装比例，并为包鞋建立独立的尺寸规则，使自动排布更符合实际穿搭的视觉关系。