[論文レビュー] Smart Fashion: A Review of AI Applications in the Fashion & Apparel Industry.

Seyed Omid Mohammadi, Ahmad Kalhor|arXiv (Cornell University)|Oct 28, 2021

Generative Adversarial Networks and Image Synthesis参考文献 570被引用数 17

ひとこと要約

本稿は、2010年から2020年までのファッション・アパレル産業における580件を超えるAIアプリケーションを、マルチラベル分類スキームを用いて22の異なる応用分野に分類した、包括的でタスク指向のサーベイを提示している。86の公開ファッションデータセット（構造的・応用固有の詳細を含む）、研究動向を示す時系列チャート、および応用同士の共起関係を分析した結果を提供し、スマートファッションAI分野の急速な拡大に対応するための統合的でスケーラブルなリファレンスを研究者に提供する。

ABSTRACT

The fashion industry is on the verge of an unprecedented change. The implementation of machine learning, computer vision, and artificial intelligence (AI) in fashion applications is opening lots of new opportunities for this industry. This paper provides a comprehensive survey on this matter, categorizing more than 580 related articles into 22 well-defined fashion-related tasks. Such structured task-based multi-label classification of fashion research articles provides researchers with explicit research directions and facilitates their access to the related studies, improving the visibility of studies simultaneously. For each task, a time chart is provided to analyze the progress through the years. Furthermore, we provide a list of 86 public fashion datasets accompanied by a list of suggested applications and additional information for each.

研究の動機と目的

• 580件を超える研究を体系的でマルチラベルのタスク指向分類法に整列させることで、ファッション分野におけるAI研究の複雑化と断片化を是正すること。
• 最先端の研究と無視されがちな研究を体系的に分類することで、研究の可視性とアクセス性を向上させること。
• 最も包括的な公開リストとして、86件のファッションデータセットを収集・アノテートし、推奨される応用と構造的メタデータを含めること。
• 22の応用カテゴリごとに年次論文分布チャートを用いて、研究動向の時間的推移を可視化すること。
• 応用ペアの共起行列を用いて、ファッションAIタスク間の相互依存関係を明らかにし、頻繁に併用される研究分野を特定すること。

提案手法

• 2010年から2020年までの587件のAI研究論文を、マルチラベル分類スキームを用いて22の明確に定義されたファッション応用分野に分類。1件の論文が複数のカテゴリに寄与可能である。
• 画像タイプ（例：アイテム、モデル、ストリート、ワイルド）の標準化定義を用いて、異なるデータモダリティ間での研究の評価・比較の一貫性を確保する。
• 各応用カテゴリごとに時系列チャートを作成し、2010年から2020年までの研究の勢いと進化を可視化する。
• サイズ、出典、画像タイプ、推奨用途などのメタデータを含む86件の公開ファッションデータセットを収集し、再現性とベンチマークの支援を図る。
• 交差率（IoU）パcentを用いた共起行列を構築し、2つの応用が同じ論文で同時に研究される頻度を定量化する。
• 論文要約に技術的キーワードと応用メモを統合し、手法的詳細と実用的関連性を簡潔に伝える。

実験結果

リサーチクエスチョン

• RQ1 2010年から2020年の間に、ファッション分野におけるどのAIアプリケーションが最も顕著な研究成長を示し、その動向はどのように比較できるか？
• RQ2 公開ファッションデータセットの現在の状態（規模、多様性、タスク固有の有用性）はいかにか、今後の研究でどのようにより効果的に活用できるか？
• RQ3 実際の研究では、異なるファッションAIタスクはどのように関連しているか？また、どの応用の組み合わせが最も頻繁に同時に研究されているか？
• RQ4 22の特定されたファッションAI応用カテゴリ全体を通じて、顕著な手法的トレンドや技術的アプローチは何か？
• RQ5 コンpatibility（相性）、スタイリング、ビューティ（美しさ）といった高水準のファッションタスクを評価する上での主な課題は何か？なぜ客観的メトリクスが依然として不足しているのか？

主な発見

• ファッション分野におけるAI研究論文の数は2010年の6件から2020年の144件に増加し、指数的成長が確認された。特に『トライオン』『レコメンデーションシステム』『属性検出』が活発な分野であった。
• 論文への引用件数で最も活発だったデータセットはDeepfashion（130件）、続くのがMarket-1501（106件）とCUB-200-2011（106件）であり、これらが広く採用されていることを示している。
• 共起分析の結果、『トライオン』と『属性検出』は関連論文の54％で同時に研究されており、手法的および応用レベルでの強い連携関係が示された。
• 86件の公開データセットの80％以上がタスク固有または小規模であり、すべてのファッションタスクをカバーする統一された大規模データセットが存在しないことから、データインfraの大きなギャップが浮き彫りになった。
• 『コンpatibility』に関する論文の63％、『パーソナライズドレコメンデーション』の58％が、客観的メトリクスの欠如により主観的ヒューマンエバリュエーションに依存していた。
• 時系列チャート分析から、『3Dモデリング』と『マジックミラー』の研究関心は2017年以降に急激に上昇しており、生成AIとリアルタイムレンダリングの進歩と一致していた。