Die Miao-Stickerei besitzt einen bedeutenden kulturellen, wirtschaftlichen und ästhetischen Wert. Ihre Weitergabe steht jedoch vor zahlreichen Herausforderungen: eine hohe Lernbarriere, mangelndes Interesse jüngerer Generationen und geringe Produktionseffizienz. Diese Faktoren erschweren ihre nachhaltige Entwicklung. Im Zeitalter der künstlichen Intelligenz (KI) wird erwartet, dass generative KI die Effizienz der Musterinnovation und die Anpassungsfähigkeit der Stickereiindustrie verbessert. Daher schlägt diese Studie eine Methode zur Generierung und Anwendung von Miao-Stickmustern vor, die auf Stable Diffusion und Low-Rank Adaptation (LoRA)-Feinabstimmung basiert. Der Prozess umfasst Bildvorverarbeitung, Datenkennzeichnung, Modelltraining, Mustererzeugung und Stickproduktion. In Kombination aus objektiven Indikatoren und subjektiver Expertenbewertung, ergänzt durch Feedback lokaler Kunsthandwerker, evaluieren wir systematisch fünf repräsentative Miao-Stickstile mit Fokus auf Generierungsqualität sowie soziale und wirtschaftliche Auswirkungen. Die Ergebnisse zeigen, dass das vorgeschlagene Modell die Qualität der Muster und die Stil-Konsistenz im Vergleich zum ursprünglichen Diffusionsmodell übertrifft, wobei optimale Ergebnisse bei einer LoRA-Skala von 0,8–1,2 und 20–40 Diffusionsschritten erzielt wurden. Die generierten Muster wurden parametrisiert und erfolgreich in der digitalen Stickerei umgesetzt. Diese Methode nutzt KI-Technologie, um die Lernbarriere für Stickerei-Ausbildung zu senken. In Kombination mit digitalen Stickmaschinen senkt sie die Produktionskosten, verbessert die Produktivität erheblich und erhöht das Einkommen der Sticker. Dies fördert eine breitere Beteiligung an der Stickpraxis und unterstützt die nachhaltige Weitergabe der Miao-Stickerei. Zudem bietet es einen reproduzierbaren technischen Pfad für die intelligente Generierung und nachhaltiges Design immateriellen Kulturerbes (ICH).
Yu et al. (Mon,) haben diese Fragestellung untersucht.