郭宇轩:基于扩散模型的ControlNet网络虚拟试衣研究


· 《中文焦点期刊要目总览》收录期刊
· 中国科技焦点期刊
· 纺织范畴高质量科技期刊 (T3)
· 荷兰 Scopus 收录期刊
· 美国《乌利希期刊指南》收录期刊
· 美国 EBSCO-TTC 收录期刊
· 世界纺织学大全数据库 (WT) 收录期刊
· 中国科学引文索引 (CSCI) 收录期刊
· 中国粹术期刊全文数据库收录期刊
· 中国科技论文与引文数据库收录期刊
· 中国科技期刊数据库收录期刊
· 中国科技论文在线文献源收录期刊

· 国度科技期刊开放..收录期刊


起原 | 《现代纺织手艺》2024年第32卷,第3期

作者 | 郭宇轩, 孙 林

大连工业大学服装学院,辽宁大连 116034 )

作者简介 | 郭宇轩(2000—),男,河北邯郸人,硕士研究生,首要从事人工智能服装设计方面的研究。


  摘要   为快速生成特定服装式子的裁缝结果图,采用扩散模型,应用ControlNet收集实现虚拟试衣。首先将人体的要害点检测图与深度图作为扩散模型的掌握前提,生成姿态可控的虚拟模特;再经由Canny边缘图生成虚拟试衣结果图。以3款连衣裙为例进行虚拟试衣实验,并优化扩散模型掌握前提的参数设置;最后将生成究竟与三维建模虚拟试衣究竟进行对比和评价。究竟表明:连系ControlNet收集的扩散模型可以掌握虚拟模特的姿态特征,经由服装Canny边缘图能够生成特定服装式子的虚拟试衣结果。该方式生成的虚拟试衣相较三维建模手艺实现的虚拟试衣方式更具示意力,把持加倍直观快捷,可以为设计师供应式子图的裁缝结果可视化参考,从而提高服装设计效率。


  要害词  虚拟试衣; 扩散模型; ControlNet收集; 虚拟模特; 人体要害点检测; 服装设计



虚拟试衣可以呈现直观的裁缝试穿结果,提高服装设计效率,节约斥地成本[1]。基于三维建模手艺实现的虚拟试衣,可凭据数字化服装纸样进行虚拟缝制,并在三维人体模型上呈现试衣结果[2],可以较为正确、直观地显现服装的空间构造以及服装与人体的贴合状况。常用的三维建模虚拟试衣软件有Vstitcher、CLO3D、Style3D等[3],但这些软件需要大量建模成本,更调与调整模型需要从新绘制纸样,更新大量参数,难以快速、高效地实现虚拟试衣。


跟着较量机手艺与机械进修的成长,二维虚拟试衣手艺成为研究热点。Goodfellow等[4]提出的生成匹敌收集(Generative adversarial networks,GANs)在图像生成范畴取得了成功,为后续的虚拟试衣手艺斥地供应根蒂。在前提式生成匹敌收集(Contradiction generative adversarial network,CGAN)[5]根蒂上改善的前提类比生成匹敌收集(Condition analogy generative adversarial network,CA-GAN)[6]应用于虚拟试衣范畴,实现简洁姿态的模特换装,但生成的服装无法适应模特的动作转变[7]。为解决这一问题,Han等[8]提出了VITON(Virtual try on)虚拟试衣收集,将平铺的服装扭曲变形后合成到模特图像的响应区域,实现了虚拟试衣;Wang等[9]在VITON收集的根蒂上,提出了保留特征的虚拟试穿收集(CP-VITON)。Men等[10]提出的属性星散生成匹敌收集 (Attribute decomposed generative adversarial network,ADGAN)实现了样式可控的人像生成;张淑芳等[11]在ADGAN根蒂长进一步提高了生成图像质量。上述二维虚拟试衣手艺倾向于解决线上购物的试衣难题,只能凭据真实服装生成虚拟试衣图像,是以,在服装设计阶段若何行使二维虚拟试衣手艺,为设计师供应服装式子的裁缝结果图参考,提高设计效率,成为需要解决的问题。


近年来,扩散模型(Diffusion model)在图像生成范畴脱颖而出,成为解决上述问题的出力点之一。然而,基于该模型的虚拟试衣方式平日以文本提醒作为生成前提,图像生成具有随机性,难以正确生成虚拟模特姿态和服装式子。Zhang等[12]提出了ControlNet收集,该收集使得扩散模型的生成图像加倍可控,练习后的ControlNet收集可以进一步凭据Canny边缘图、深度图、人体要害点图等图像信息调整扩散模型,掌握生成图像的人体姿态、边缘特征、前后位置关系等,为实现快速虚拟试衣供应了新的思路。本文以连衣裙虚拟试衣为例,采用扩散模型,经由ControlNet收集生成指定服装式子的虚拟试衣,实现快速生成服装式子的裁缝结果图,从而为设计师供应特定式子图的可视化裁缝结果,进而提高服装设计效率。




扩散模型概述

Sohl-Dickstein等[13]受到非均衡热力学的开导,提出扩散概率模型(Diffusion probabilistic models),并行使分歧数据集测试模型的实用性,然则与同时期的其他生成模型比拟,扩散概率模型生成的图像质量并不凸起。此后,Song等[14]提出一种基于分数的生成模型(Score-based generative modeling),经由分数成家 (Score matching)方式估量数据密度的梯度,再应用朗之万动力学(Langevin dynamics)生成图像,并提出经由噪声前提分数收集(Noise conditional score networks,NCSN)和退火朗之万动力学(Annealed Langevin dynamics)采样改善模型,实现高质量图像的生成。Ho等[15]基于Song的研究优化了扩散概率模型,提出去噪扩散概率模型(Denoising diffusion probabilistic models,DDPM),并证实扩散模型同样可以生成高质量图像。去噪扩散概率模型模型分为前向的扩散过程(Forward process)和反向的逆扩散过程(Reverse process)。前向过程经由对初始图像添加T次噪声,将输入的真实图像x0渐近变换为纯高斯噪声的图像xT,在每一步加噪过程中,xt-1添加一个高斯噪声发生一个新的隐变量xt,从第t-1步到第t步的图像加噪过程能够用高斯分布透露为:



个中:透露高斯分布的均值,βtI透露高斯分布的方差,,βt是随t逐渐增大的超参数,I透露与输入样本x0具有沟通维数的单元单子矩阵。扩散模型的前向过程能够透露为从t=1到t=T时刻的马尔科夫链:


DDPM模型反向过程也是一个马尔科夫链,经由神经收集进修展望反向扩散过程的高斯分布方差和均值,对加噪图像慢慢去噪生成图像。Dhariwal等[16]使用分类器指导模型进行采样和生成,并提出访用对比说话图像预练习(Contrastive language-image pretraining,CLIP)收集取代分类器,实现行使文本指导图像生成。Rombach等[17]提出了隐含扩散模型 (Latent diffusion models),使用预练习的自编码器(Autoencoders)将图像压缩至隐含空间(Latent space),并在隐含空间中练习扩散模型,从而可以大大削减较量复杂度,同时也能实现高差别率的图像生成,为扩散模型的实际应用奠基根蒂。本文使用的扩散模型为Stable diffusion模型。Stable diffusion模型是以隐含扩散模型作为根蒂,在LAION-5B数据集练习获得的用于图像生成的大型扩散模型,支撑文本转图像(Text-to-image)、图像转图像(Image-to-image)等功能,自2022年发布以来成为用于图像生成的主流模型之一。



ControlNet收集

服装设计师可以经由文本提醒词(Prompt)与反向提醒词(Negative prompt)掌握Stable diffusion模型生成图像,实现灵感的快速可视化,文本描述对生成的图像内容起决意性感化。然而,凭据文本描述生成的图像具有必然的随机性,对于特定服装的虚拟试衣义务,仅凭据模特姿态、服装式子、面料色彩的文本描述进行图像生成,会导致生成的服装与最初的设计存在不同。ControlNet收集的应用大大提高了图像生成的可控性,实现了在大型扩散模型中附加多种空间语义前提来掌握图像的生成[18]。ControlNet收集经由复制一份可练习的扩散模型参数副本在特定的数据集上进修前提掌握,同时保留一份原本扩散模型从大型数据集中进修到的收集参数,二者经由零卷积层保持,最终实现对扩散模型生成图像的微调。特定掌握前提的实现,需要使用对应的图像数据集练习ControlNet收集,例如,使用Canny边缘检测算法[19]处理图像获得的边缘图作为数据集,练习出的ControlNet收集可以掌握Stable diffusion模型按照指定的边缘概况进行图像生成。本文方式应用Canny边缘图、深度图、人体要害点检测图(Openpose)[20]对应的数据集所练习的ControlNet收集,指导Stable diffusion模型对指定的服装式子与虚拟模特进行生成,实现虚拟试衣。




本文方式

本文虚拟试衣方式包罗虚拟模特生成和模特试衣结果图生成两部门,方式的流程框架如图1所示。首先对真人服装模特图像进行采样,提取模特的人体要害点图与深度图作为生成前提,应用ControlNet收集掌握Stable diffusion模型生成特定姿态的虚拟模特。此后,经由Canny边缘检测算法提取虚拟模特的边缘图,连系所需试衣服装的式子图对虚拟模特的边缘图进行编纂和点窜,绘制虚拟模特穿戴特定式子服装的边缘图,最后将其作为生成前提,连系文本提醒词,掌握Stable diffusion模型生成指定式子服装的虚拟试衣结果图。


图1 虚拟试衣方式流程图

Fig.1 Virtual fitting method flowchart




连衣裙虚拟试衣生成实验

经由设计虚拟试衣的实验,验证方式的可行性与实用性。选择两种模特姿态与3款连衣裙进行生成实验,评估ControlNet收集的输入前提对Stable diffusion模型生成虚拟试衣图像的掌握结果,并对分歧参数设置下的实验究竟进行对照剖析。


4.1 实验情况

本次实验使用的较量机硬件设置:显卡型号NVIDIA GeForce RTX 3080 Laptop GPU,CPU型号为11th Gen Intel(R) Core(TM) i7-11800H@2.30 GiHz,显存16 Gi,内存16 Gi。编程说话:Python 3.10.6。扩散模型:Stable diffusion。ControlNet收集版本:ControlNet v1.1.224。


4.2 虚拟模特生成

4.2.1 模特姿态生成

为显现服装的虚拟试衣结果,首先需要对服装模特进行设计和生成,经由对常见服装模特展示服装的姿态查询,选择图2(a)所示真人模特姿态进行采样。使用预处理模型openpose_full对真人模特的肢体要害点、手指要害点、脸部概况以及五官分布进行识别和标注,获得如图2(b)所示人体要害点检测图,用于掌握生成模特姿态以及五官分布;使用预处理模型depth_midas获取如图2(c)所示的深度图像,深度图可以供应模特肢体的空间关系,掌握生成图像的空间特征加倍正确。实验使用control_v11p_sd15_openpose_fp16模型识别并掌握生成模特姿态,ControlNet收集掌握权重设置为1;control_v11f1p_sd15_depth_fp16模型掌握生成模特图像的深度信息,ControlNet收集掌握权重设置为0.8。附加要害文本提醒词为:亚洲女性、黑色头发、黑色短袖短裤、高跟鞋,用于掌握模特肤色、发型发色、着装等细节特征;Stable diffusion模型的气势化微调模型使用LOFIv22。最一生成究竟如图2(d)所示。


图2 虚拟模特生成

Fig.2 Virtual model generation


4.2.2 模特细节特征掌握

在姿态掌握的根蒂长进行细节特征掌握实验,首要以文本提醒词进行掌握,如图3所示。图3(a) 使用提醒词为“金色头发”,图3(b)提醒词则为“红色头发”;同理,经由更调提醒词和气势化微调模型能够实现掌握生成图3(c)欧洲女性模特和图3(d)非洲女性模特,为试衣供应多样化、定制化的模特选择。


图3 虚拟模特细节掌握

Fig.3 Virtual model detail control


4.3 虚拟试衣结果呈现

4.3.1 连衣裙式子设计

首先绘制三款连衣裙服装式子图作为试衣式子,如图4所示。个中,式子A为根蒂连衣裙式子,衣身两侧构造拼接设计,塑造立体感;式子B为非对称设计,左肩设计吊带,下摆开叉;式子C为长款制服裙,并在腰间立体打褶设计,实验首要以式子A的虚拟试衣结果解说绘制流程,并应用式子B与式子C进一步验证方式的可行性与通用性。


图4 连衣裙式子图

Fig.4 Dress style drawing


4.3.2 虚拟试衣结果图生成

虚拟试衣结果图的生成需要以边缘概况作为生成掌握前提,以达到正确示意服装式子的目的。将上文方式生成的亚洲模特作为试衣模特,行使Canny边缘检测算法处理虚拟模特图像获得模特边缘图;连系连衣裙式子A,使用Adobe Illustrator软件对边缘图进行部门重绘,获得模特着装边缘图,将其作为生成最终试衣结果图的边缘掌握前提。绘制流程如图5所示。


图5 虚拟模特着装边缘图绘制流程

Fig.5 Drawing process of the virtual model dress image edge


以模特着装边缘图作为掌握前提进行虚拟试衣结果图的生成,使用control_v11p_sd15_canny_fp16模型掌握生成图像的边缘概况,ControlNet收集掌握权重为1;生成图像巨细为512×992像素,提醒词相关性(CFG Scale)设置为13.5,每张图像的采样迭代步数(Steps)设置为150步,实验设备上每张图像生成时间约为75 s,进行5到10次生成后,选择示意结果较好的图像作为最终究竟。实验发现,生成图像可以凭据模特着装边缘图较为清楚地示意服装领型、廓形、衣身构造线,经由文本提醒词实现对服装色彩的掌握,例如提醒词为“黑色连衣裙”,生成绩果为纯黑色连衣裙,如图6(a)所示;提醒词为“白色连衣裙”,结果如图6(b)所示;提醒词为“黑色与..连衣裙(Black and yellow dress)”则可以掌握图像在分边界处进行黑黄拼接设计,如图6(c)所示。同时实验还发现,凭据边缘图的线条生成图像或者会生成多余的元素,例如将领口线错误生成为项链配饰,可经由在反向文本提醒词中标注出多余元素的方式削减生成误差;在提醒词掌握色彩结果不显着时,可适当提高提醒词相关性(CFG Scale)和提醒词权重以达到写意的提醒词示意结果。


图6 虚拟试衣生成绩果

Fig.6 Virtual fitting generation effect


实验经由设计面料提醒词更调统一式子连衣裙的面料,探究提醒词权重对生成绩果的影响,要害提醒词设计为“绿色丝绸连衣裙(Green silk dress)”、“绿色针织连衣裙(Green knitted dress)”、“绿色皮革连衣裙(Green leather dress)”,将三组要害提醒词的权重由0.8逐渐增加至1.3,离别进行连衣裙生成实验,实验生成绩果如图7所示。实验中发现,要害提醒词权重大于0.8时,绿色丝绸连衣裙与绿色针织连衣裙的面料、色彩特征可以显着呈现,绿色皮革连衣裙在提醒词权重小于1.1时仅可以示意皮革面料特征,无法显着表达色彩特征,服装仍然为白色,提醒词权重大于1.1时,面料与色彩特征能够同时表达,是以,需要凭据分歧提醒词天真调整权重,权重设置低轻易造成部门语义信息示意能力弱,生成图像的结果欠安。


图7 提醒词权重掌握结果

Fig.7 Prompt weight control effect


同时,实验发现生成服装的面料特征跟着提醒词权重的增加络续增加,权重设置过高轻易笼盖其他提醒词结果并显现语义杂糅、画面杂沓,如要害提醒词权重增加至1.4,服装面料特征示意能力过强,生成图像的模特配景会带有面料质感的元素,同时服装显现原本式子设计以外的构造,导致生成绩果欠安,如图8所示。经由实验对照分歧权重的生成绩果,最终将丝绸面料权重设置为1,针织面料权重设置为0.9,皮革面料权重设置为1.2,使生成服装的色彩和面料都达到较好示意结果,生成虚拟试衣结果如图9所示。


图8 提醒词权重为1.4的生成绩果

Fig.8 Generating effect when the prompt weight is 1.4


图9 面料掌握结果

Fig.9 Fabric control effect


本文经由连衣裙式子B与式子C进一步验证上文方式掌握生成虚拟试衣图像的遍及适用性,选择与式子A沟通的服装模特边缘图进行连衣裙式子编纂,获得式子B与式子C的着装结果边缘图,并作为生成姿态与式子的掌握前提,式子B要害提醒词为“红色针织短款连衣裙与黑色腰带”,式子C要害提醒词为“蓝色丝绸连衣裙”,经由上述方式生成虚拟试衣结果如图10所示。


图10 式子B与式子C虚拟试衣结果图

Fig.10 Virtual fitting of Style B and Style C


4.4 分歧虚拟试衣方式的对比与评价

为对照分歧虚拟试衣方式的把持与试衣结果的差别,本文选择VITON虚拟试衣收集、CLO3D、Style3D与本文方式进行对比,分歧虚拟试衣方式的手艺道理与把持方式如表1所示。以VITON虚拟试衣收集为代表的二维虚拟试衣方式,输入为用户与方针服装图像,输出为用户穿戴方针服装的试衣结果图,合成的试衣结果图保留用户人体姿态与方针服装的式子细节[21]。与本文方式比拟,二维虚拟试衣方式偏重于解决用户线上购物的试衣问题[22],无法生成原创的虚拟模特与虚拟服装,也不支撑对输入的用户姿态与服装式子进行掌握和调整,难以在服装设计阶段为设计师供应虚拟服装的试衣结果。


表1 虚拟试衣方式对照

Tab.1 Comparison of virtual fitting methods


CLO3D与Style3D是服装设计阶段常用的三维虚拟试衣方式,在不建造服装裁缝的情形下,可经由服装与人体建模的方式展示服装虚拟试衣结果。文章使用两种三维试衣方式与本文方式生成沟通姿态虚拟模特穿戴统一式子服装的虚拟试衣结果图,生成绩果如图11所示。3种方式都可以较为正确地示意服装的式子、面料与色彩特征。与三维建模方式比拟,本文方式对虚拟模特姿态的掌握加倍简化,不需要手动把持掌握虚拟模特肢体位置,仅需要使用人体要害点图像作为输入前提即可掌握模特姿态;同时本文方式对服装式子的调整加倍直观,无需从新绘礼服装版型和虚拟缝合,只经由更改服装边缘概况并用扩散模型生成即可获得高质量图像,削减3D建模成本以及模型衬着所带来的设备压力;在生成绩果方面,本文方式生成的虚拟模特姿态与面部五官加倍生动天然,虚拟模特皮肤质感与虚拟服装的面料质感加倍细腻,而且更接近真实结果,此外扩散模型生成的配景情况与光影结果使整体试衣图像更具有美感和示意力。

图11 三种方式虚拟试衣结果

Fig.11 Virtual fitting effect of three methods




结 论

本文提出了一种应用扩散模型与ControlNet收集的生成式虚拟试衣方式,达到由服装式子图生成虚拟试衣结果图的目的。经由3款连衣裙的虚拟试衣实验,验证了本文方式的实用性;生成的试衣结果图可以较为正确地示意式子图中的服装概况、构造、面料与色彩。本文方式可以在不建造服装裁缝的前提下,快捷地为设计师供应式子图的裁缝结果参考,辅助设计师调整与完美设计,提高服装设计效率。


本文提出的虚拟试衣方式仍然存在一些不足,如生成服装的色彩和面料只能凭据文本描述粗略界说,生成模型难以懂得部门服装设计与服装工艺的专业术语等,需要在后续研究中进一步提高生成的可控性,为服装设计的智能化供应更高效的手段。


(点击阅读原文,获得电子期刊)


  参考文献 



PDF下载



@ 版权所有,转载需征得杂志社赞成,并注明出处。

标签:

最新文章

  1. 截胡骁龙8 Gen4!骁龙8 Gen3 GPU插帧提前上线:真我GT6尝鲜2024-07-24
  2. 男子新疆旅游时意外发现石油 网友直呼发财了:官方回应沥青高温熔化所致2024-07-24
  3. QQ浏览器电脑版v12.7上线手机模式 可实现手机和电脑同屏操作2024-07-24
  4. 雷军否认开SU7漂移视频找替身:100%是我漂的 练得教练快吐了2024-07-24
  5. 华为荣耀小米早已商用:曝iPhone 17系列顶配版支持可变光圈2024-07-24
  6. 身份不一般!考700分迈巴赫少爷被北大录取:从不炫富、钱要花在刀刃上2024-07-24
  7. Llama 3.1有哪些功能免费吗?Meta AI最强大新模型怎么使用方法详细教程指南2024-07-24
  8. Llama 3.1功能介绍及免费使用指南 Meta AI最新一代模型体验地址入口2024-07-24
  9. 卖教辅资料,每年100万收入2024-07-24
  10. 抖音官宣:人设型IP要被终结?2024-07-24
  11. 开源=最强大模型!Llama3.1发布,405B超越闭源GPT-4o,扎克伯格:分水岭时刻2024-07-24
  12. Llama 3.1-405B完全指南:Meta最新大语言模型 - 使用方法教程与免费试用入口2024-07-24
  13. 第一批用AIGC赚到钱的人,已经开卷海外了2024-07-24
  14. 中国凉席火到法国:不夹腿毛冰丝凉席销量迅速增长2024-07-24
  15. 大厂亲儿子下线、创业公司盈利,社交啊社交2024-07-24
  16. 马斯克:生孩子意味着你关心未来、相信未来2024-07-24
  17. Llama-3.1-70B有哪些功能?Meta AI最新模型怎么使用方法详细教程指南2024-07-24
  18. 张一鸣和黄峥,又盯上了同一个市场2024-07-24
  19. 一场直播入万元,谁在为拆盲盒的情绪价值买单2024-07-24
  20. 一条视频卖出10w,东西越“丑”越抢手?2024-07-24
  21. Llama-3.1-8B功能介绍及免费使用指南 Meta AI最新模型体验地址入口2024-07-24
  22. AI应用的流量“炼金术”2024-07-24
  23. 小米SU7全新OTA升级推送:城市NOA可识别公交车道限行时间2024-07-24
  24. 欧盟威胁对 Meta 罚款,质疑 “付费同意” 模式是否真免费2024-07-24
  25. 华为畅连App发布2.1.42.664众测升级:支持北斗卫星消息自由输入2024-07-24
  26. 安兔兔车机芯片新晋跑分王诞生:来自联发科2024-07-24
  27. 新娘本人回应扔手捧花砸婚闹朋友:经常打打闹闹 已和好2024-07-24
  28. 手机届革命性产品!曝苹果将在2026年推出首款折叠屏iPhone2024-07-24
  29. 苹果首款可折叠 iPhone 或将于 2026 年推出2024-07-24
  30. 雷军:苹果也是代工 凭啥说小米是组装厂?2024-07-24
gh_a795f9e8b9e0
纺织视界 微信号:gh_a795f9e8b9e0 扫描二维码关注公众号
优质自媒体

小编推荐

  1. 1 王维的诗全集(王维的诗全集小学)

    大家好,小豪今天来为大家解答王维的诗全集以下问题,王维的诗全集小学很多人还不知道,现在让我们一起来看看吧!1、《山居秋暝》空山新雨后

  2. 2 男主往女主里面倒酒(男主往女主里面倒酒)

    大家好,小美今天来为大家解答男主往女主里面倒酒以下问题,男主往女主里面倒酒很多人还不知道,现在让我们一起来看看吧!1、GOSICK,具体哪一集

  3. 3 【廉洁小故事】王荷波:品重柱石

    长袍、布鞋,戴着眼镜,个子高高,胡子又黑又长……这是农运前驱郑乃之印象中的王荷波同志,衣着简单,但目光炯炯。王荷波,是直面腥风血雨

  4. 4 陈奕迅中国好声音跑调(陈奕迅中国好声音跑调视频在线观看)

    大家好,小乐今天来为大家解答陈奕迅中国好声音跑调以下问题,陈奕迅中国好声音跑调视频在线观看很多人还不知道,现在让我们一起来看看吧!

  5. 5 睿智是什么意思网络用语(睿智是什么骂人的意思)

    大家好,小丽今天来为大家解答睿智是什么意思网络用语以下问题,睿智是什么骂人的意思很多人还不知道,现在让我们一起来看看吧!1、睿智在网

  6. 6 社区携手青少年,共筑无毒暑期——暑期小课堂禁毒第一课

    健康生活远离毒品跟着暑期的到来,新苑三四居委结合田林街道禁毒办组织开展以“健康生活,远离毒品”为主题的暑期小教室禁毒教育运动,旨在

  7. 7 奇迪(奇遇原始人)

    大家好,小豪今天来为大家解答奇迪以下问题,奇遇原始人很多人还不知道,现在让我们一起来看看吧!1、菲利普·奇迪的职业生涯开始于2005/06赛季

  8. 8 吃妈巨(吃妈巨为什么长得这么吓人)

    大家好,小美今天来为大家解答吃妈巨以下问题,吃妈巨为什么长得这么吓人很多人还不知道,现在让我们一起来看看吧!1、“吃妈巨”是个悲情角

  9. 9 “悟思想伟力·看实践创新”系列微视频之八 | 以科技创新引领高质量发展

    点击上方蓝色,存眷我们加速实现高水平科技自立自强,是鞭策高质量成长的必由之路。近日,中央经济工作会议指出,2024年要环绕鞭策高质量成长

  10. 10 年字的起源和演变过程图(年字的起源和演变小报)

    大家好,小豪今天来为大家解答年字的起源和演变过程图以下问题,年字的起源和演变小报很多人还不知道,现在让我们一起来看看吧!1、甲骨文的

Copyright 2024 优质自媒体,让大家了解更多图文资讯!