[論文レビュー] AI Assisted Apparel Design

Alpana Dubey, Nitish Bhardwaj+4 more|arXiv (Cornell University)|Jul 9, 2020

Generative Adversarial Networks and Image Synthesis参考文献 21被引用数 5

ひとこと要約

本論文では、AIアシスタント「Apparel-Style-Merge」と「Apparel-Style-Transfer」を活用して、アパレルデザインの迅速化と質の向上を図る、人間とAIが協働するプラットフォームCDAP-Fを提案する。深層ニューラルネットワークと新規の細分化されたデータセット（DeepAttributeStyle）を活用することで、スタイルの統合や属性の転送により、高品質で創造的なデザインを生成し、デザイン時間の短縮を2–3分までに削減するとともに、デザイナーの創造性と出力品質を顕著に向上させる。

ABSTRACT

Fashion is a fast-changing industry where designs are refreshed at large scale every season. Moreover, it faces huge challenge of unsold inventory as not all designs appeal to customers. This puts designers under significant pressure. Firstly, they need to create innumerous fresh designs. Secondly, they need to create designs that appeal to customers. Although we see advancements in approaches to help designers analyzing consumers, often such insights are too many. Creating all possible designs with those insights is time consuming. In this paper, we propose a system of AI assistants that assists designers in their design journey. The proposed system assists designers in analyzing different selling/trending attributes of apparels. We propose two design generation assistants namely Apparel-Style-Merge and Apparel-Style-Transfer. Apparel-Style-Merge generates new designs by combining high level components of apparels whereas Apparel-Style-Transfer generates multiple customization of apparels by applying different styles, colors and patterns. We compose a new dataset, named DeepAttributeStyle, with fine-grained annotation of landmarks of different apparel components such as neck, sleeve etc. The proposed system is evaluated on a user group consisting of people with and without design background. Our evaluation result demonstrates that our approach generates high quality designs that can be easily used in fabrication. Moreover, the suggested designs aid to the designers creativity.

研究の動機と目的

• 高コストの未販売在庫と変化の激しいファッショントレンドの課題に対処するため、迅速かつスケーラブルなデザイン生成を可能にする。
• 多様で魅力的なアパレルデザインの作成を自動化することで、デザイナーの認知的負担と時間的負担を軽減する。
• リアルタイムでのデザイン提案とバリエーション提供を通じて、AIとの協働により人間の創造性を強化する。
• 消費者のインサイトと生成AIを統合し、データドリブンでトレンドに即したデザインを実現するシステムの開発。
• 実際のデザイン現場における初心者および熟練デザイナーを対象に、システムの使いやすさと実効性を評価する。

提案手法

• 消費者インサイト、アパレルスタイル統合、アパレルスタイル転送の3つのアシスタントを統合した、マルチアシスタント型AIプラットフォームCDAP-Fを提案する。
• アパレル部品（例：ネック、スリーブなど）の細分化セグメンテーションを活用し、深層ニューラルネットワークを用いてスタイル転送とコンポーネントベースのデザイン統合を実現する。
• 15種類以上のアパレルコンポーネントのピクセル単位のアノテーションを備えた、新しい細分化データセットDeepAttributeStyleを導入する。
• 2段階のプロセスを採用：まず入力された衣類から主要なコンポーネントを特定・抽出し、次にスタイル転送またはコンポーネント統合を適用して新規デザインを生成する。
• 構造的整合性を保持しつつ、スタイル、色、パターンの転送を実現するため、条件付きGANとセグメンテーションベースの特徴一致を適用する。
• デザイナーとのフィードバックループをUIを通じて統合し、生成出力のリアルタイム選択と最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 AIアシスタントは、スケール的に新規で市場向けのアパレルデザインを生成する人間デザイナーを、どのように効果的に支援できるか？
• RQ2 手作業によるデザインプロセスと比較して、AI補助デザイン生成は、市場投入までの時間をどの程度短縮できるか？
• RQ3 デザイナーは、AIが生成したデザインの質と創造性を、人間が生成したデザインと比較してどのように評価するか？
• RQ4 AIが生成したデザインは、人間の想像力を効果的に補完し、新たなデザインの方向性を想起させるのに適しているか？
• RQ5 生成AIと消費者トレンドデータの統合は、デザインの関連性と販売可能性をどのように向上させるか？

主な発見

• CDAP-Fシステムは、2枚の入力衣類を用いて新規デザインを生成する際、平均デザイン時間を10–15分から2–3分に短縮した。
• 調査対象の90％のデザイナーが、AIが生成したデザインが創造性を顕著に高めると評価し、5段階満点評価で4または5を付与した。
• 80％以上のデザイナーが生成されたデザインの品質に満足しており、サンプル作成に適した現実的で実用的な品質であると評価した。
• デザイナーらは、システムが手作業で即座に思いつけるような多様で独自のデザインインスピレーションへの迅速なアクセスを提供したと報告した。
• DeepAttributeStyleデータセットのおかげで、コンポーネントレベルの修正に対する正確な制御が可能になり、生成されたデザインの忠実性と一貫性が向上した。
• 上級のファッション教授陣が評価結果の妥当性を確認し、サンプルサイズが限定的であるものの、強い外部妥当性を示していると示唆した。