[논문 리뷰] AI Assisted Apparel Design

Alpana Dubey, Nitish Bhardwaj외 4명|arXiv (Cornell University)|2020. 07. 09.

Generative Adversarial Networks and Image Synthesis참고 문헌 21인용 수 5

한 줄 요약

이 논문은 인공지능 보조자인 Apparel-Style-Merge 및 Apparel-Style-Transfer를 활용하여 의류 디자인을 가속화하고 향상시키는 인간-AI 협업 플랫폼 CDAP-F를 제안한다. 딥 네트워크와 새로운 세분화된 데이터셋(DeepAttributeStyle)을 활용하여, 스타일을 융합하거나 속성을 이전함으로써 고품질이고 창의적인 디자인을 생성하며, 디자인 시간을 10–15분에서 2–3분으로 단축시키면서 디자이너의 창의성과 출력 품질을 크게 향상시킨다.

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.

연구 동기 및 목표

• 고정된 재고와 빠르게 변화하는 패션 트렌드의 문제를 해결하기 위해 빠르고 스케일 수 있는 디자인 생성을 가능하게 하기 위해.
• 다양하고 매력적인 의류 디자인을 자동화하여 디자이너의 인지적 부담과 시간 부담을 줄이기 위해.
• 실시간 디자인 제안과 변형을 제공함으로써 인간의 창의성을 향상시키기 위한 AI 협업을 통해 창의성을 향상시키기 위해.
• 소비자 인사이트를 생성형 AI와 통합하여 데이터 기반, 트렌드 인식 디자인을 개발하기 위해.
• 실제 디자인 환경에서 초보자 및 숙련된 디자이너 모두에게 시스템의 사용성과 영향력을 평가하기 위해.

제안 방법

• 소비자 인사이트, Apparel-Style-Merge, Apparel-Style-Transfer 보조자를 통합한 다중 보조자 AI 플랫폼인 CDAP-F를 제안한다.
• 의류 부품(예: 목, 소매 등)의 세분화된 분할을 활용하여 스타일 이전 및 구성 요소 기반 디자인 융합을 가능하게 하는 딥 네트워크를 적용한다.
• 정확한 스타일 및 구조적 조작을 위해 15개 이상의 의류 구성 요소에 픽셀 수준의 주석을 부여한 DeepAttributeStyle 데이터셋을 도입한다.
• 이중 단계 프로세스를 적용한다: 첫 번째로 입력 의류에서 핵심 구성 요소를 식별하고 추출하고, 두 번째로 스타일 이전 또는 구성 요소 융합을 적용하여 새로운 디자인을 생성한다.
• 조건부 GAN과 분할 기반 특징 정렬을 적용하여 스타일, 색상, 무늬를 전이하면서도 구조적 통합성을 유지한다.
• 디자이너와의 피드백 루프를 UI를 통해 통합하여 생성된 출력의 실시간 선택 및 보완 기능을 제공한다.

실험 결과

연구 질문

• RQ1 AI 보조자가 스케일에 맞는 새로운 시장 대응 의류 디자인을 인간 디자이너가 효과적으로 생성하는 데 어떻게 기여할 수 있는가?
• RQ2 수동 디자인 프로세스에 비해 AI 보조 디자인 생성이 시장 진입 시간을 얼마나 줄이는가?
• RQ3 디자이너들은 인간이 생성한 디자인과 비교해 AI가 생성한 디자인의 품질과 창의성에 대해 어떻게 평가하는가?
• RQ4 AI가 생성한 디자인이 인간의 상상력을 효과적으로 보완하고 새로운 디자인 방향을 유도할 수 있는가?
• RQ5 생성형 AI와 소비자 트렌드 데이터의 통합이 디자인의 관련성과 판매 가능성 향상에 어떻게 기여하는가?

주요 결과

• CDAP-F 시스템은 두 장의 입력 의류를 사용하여 새로운 디자인을 생성할 때 평균 디자인 시간을 10–15분에서 2–3분으로 단축시켰다.
• 설문 조사한 디자이너의 90%가 AI가 생성한 디자인이 창의성을 크게 향상시켰다고 평가했으며, 5점 만점에 4점 또는 5점의 만족도를 기록했다.
• 80% 이상의 디자이너가 생성된 디자인의 품질에 만족했으며, 이는 샘플 제작에 있어 높은 현실감과 사용 가능성을 의미한다.
• 디자이너들은 수동으로는 빠르게 떠올릴 수 없었던 다양한 고유한 디자인 영감에 빠르게 접근할 수 있었으며, 이는 시스템의 핵심 기여로 평가되었다.
• DeepAttributeStyle 데이터셋은 구성 요소 수준의 수정에 정밀한 제어를 가능하게 하여 생성된 디자인의 정밀도와 일관성을 향상시켰다.
• 경력이 오래된 패션 전문 교수진이 평가 결과의 타당성을 확인했으며, 표본 크기가 제한되어 있음에도 불구하고 높은 외부 타당성을 보여주었다.