[論文レビュー] Product Aesthetic Design: A Machine Learning Augmentation

Alex Burnap, John R. Hauser+1 more|arXiv (Cornell University)|Jul 17, 2019

Aesthetic Perception and AnalysisNeuroscience被引用数 22

ひとこと要約

本論文では、変分オートエンコーダー（VAE）、生成対抗ネットワーク（GAN）、および教師あり学習を組み合わせたハイブリッド機械学習モデルを提案し、美的魅力の予測と革新的な製品デザインの生成を実現する。203台のSUVと180,000枚の画像で学習させたモデルは、ベースライン比で美的予測性能を43.5%向上させ、消費者に好まれるだけでなく、5年後の実際の市場動向とも整合する製品デザインを生成する。

ABSTRACT

Aesthetics are critically important to market acceptance. In the automotive industry, an improved aesthetic design can boost sales by 30% or more. Firms invest heavily in designing and testing aesthetics. A single automotive "theme clinic" can cost over $100,000, and hundreds are conducted annually. We propose a model to augment the commonly-used aesthetic design process by predicting aesthetic scores and automatically generating innovative and appealing product designs. The model combines a probabilistic variational autoencoder (VAE) with adversarial components from generative adversarial networks (GAN) and a supervised learning component. We train and evaluate the model with data from an automotive partner-images of 203 SUVs evaluated by targeted consumers and 180,000 high-quality unrated images. Our model predicts well the appeal of new aesthetic designs-43.5% improvement relative to a uniform baseline and substantial improvement over conventional machine learning models and pretrained deep neural networks. New automotive designs are generated in a controllable manner for use by design teams. We empirically verify that automatically generated designs are (1) appealing to consumers and (2) resemble designs which were introduced to the market five years after our data were collected. We provide an additional proof-of-concept application using opensource images of dining room chairs.

研究の動機と目的

• 自動車産業をはじめとする分野における、テーマ会議の費用が1回あたり100,000ドルを超えるなど、従来の美的デザインプロセスの高コストかつ非効率な点を是正すること。
• 消費者の美的嗜好を予測するデータ駆動型でスケーラブルな方法を確立すること。
• 人による設計反復に依存せず、自動的に新規で制御可能で魅力的な製品デザインを生成すること。
• 生成されたデザインが単に魅力的であるだけでなく、時間の経過とともに実際の市場導入と整合していることを検証すること。
• 自動車にとどまらず、ダイニングチェアのプロトタイプを用いて、他の製品カテゴリへの応用可能性を示すこと。

提案手法

• 製品画像の分離された潜在表現を学習するために、確率的変分オートエンコーダー（VAE）を統合する。
• 生成対抗ネットワーク（GAN）由来の対抗的訓練部を用いて、生成されたデザインの現実性と多様性を向上させる。
• 画像特徴から認識される美的魅力を予測するために、消費者が評価した美的スコアを用いた教師あり学習ヘッドを訓練する。
• 特定の美的属性を制御する潜在コードを条件として用いることで、新しいデザインの条件付き生成を可能にする。
• 203台のSUVと、消費者の評価のない180,000枚の高品質製品画像からなるデータセットで学習を実施する。
• 制御可能な生成をサポートし、設計チームが望ましい美的方向性に基づいてバリエーションを探索できる。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドディープラーニングモデルは、高い精度で製品デザインの消費者的美的嗜好を効果的に予測できるか？
• RQ2 このモデルは、実際の市場導入と類似する、新規で視覚的に魅力的で多様な製品デザインをどの程度生成できるか？
• RQ3 このモデルの予測性能は、従来の機械学習モデルや事前学習済みディープニューラルネットワークと比べてどの程度優れているか？
• RQ4 生成されたデザインは、美的品質を維持しながら、制御可能で人間の設計意図と整合していると言えるか？
• RQ5 このモデルは自動車にとどまらず、ダイニングチェアのプロトタイプを用いて他の製品カテゴリへも一般化可能か？

主な発見

• 本モデルは、一様なベースライン比で美的予測精度を43.5%向上させ、従来の機械学習モデルを著しく上回った。
• 本モデルは、標準的な機械学習モデルおよび事前学習済みディープニューラルネットワークと比較して、消費者の嗜好予測において顕著な改善を示した。
• 生成されたデザインは、消費者にとって魅力的であることが経験的に検証され、学習データ収集後5年後の実際の市場導入と強い整合性を示した。
• 本モデルは、制御可能かつ多様で高品質なデザインを効果的に生成でき、設計チームによる実用的応用が可能であることを示した。
• ダイニングチェアのプロトタイプを用いた検証により、本モデルは自動車にとどまらず、他の製品カテゴリへも一般化可能であることが確認された。
• VAE、GAN、および教師あり学習のコンponentsの統合により、正確な予測と意味のある生成を両立できる強固なアーキテクチャが実現された。