[논문 리뷰] Product Aesthetic Design: A Machine Learning Augmentation

Alex Burnap, John R. Hauser외 1명|arXiv (Cornell University)|2019. 07. 17.

Aesthetic Perception and AnalysisNeuroscience인용 수 22

한 줄 요약

이 논문은 변분 오토인코더(VAE), 생성적 적대적 네트워크(GAN), 그리고 지도 학습을 조합한 하이브리드 기계 학습 모델을 제안하여 미적 매력도를 예측하고 혁신적인 제품 디자인을 생성한다. 203대의 SUV와 180,000장의 이미지로 훈련된 모델은 기준 모델 대비 43.5% 향상된 미적 예측 성능을 보이며, 소비자에게 매력적이면서도 5년 후 실제 시장 트렌드와 일치하는 디자인을 생성한다.

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.

연구 동기 및 목표

• 자동차 산업과 같은 분야에서 주제 클리닉이 세션당 100,000달러를 초과하는 등 전통적인 미적 디자인 과정의 높은 비용과 비효율성을 해결하기 위해.
• 소비자 미적 선호도를 예측하기 위한 데이터 기반의 확장 가능한 방법을 개발하기 위해.
• 비용이 많이 들는 인간 주도 디자인 반복에 의존하지 않고도 자동으로 새로운, 제어 가능한, 매력적인 제품 디자인을 생성하기 위해.
• 생성된 디자인이 소비자에게 매력적일 뿐 아니라 장기적으로 실제 시장에 소개된 제품과 일치하는지 검증하기 위해.
• 식당용 의자에 대한 개념 증명을 통해 자동차 외의 제품 카테고리로의 모델 적용 가능성을 넓히기 위해.

제안 방법

• 모델은 제품 이미지의 분리 가능한 잠재 표현을 학습하기 위해 확률적 변분 오토인코더(VAE)를 통합한다.
• 생성적 적대적 네트워크(GAN)의 적대적 훈련 구성 요소를 사용하여 생성된 디자인의 현실성과 다양성을 향상시킨다.
• 소비자 평가된 미적 점수를 기반으로 지도 학습 헤드를 훈련시켜 이미지 특징에서 인식된 매력도를 예측한다.
• 특정 미적 특성 제어를 위한 잠재 코드에 조건을 걸어 새로운 디자인의 조건부 생성이 가능하다.
• 203대의 SUV와 소비자 평가 점수, 180,000장의 고품질이고 평가되지 않은 제품 이미지로 구성된 데이터셋에서 훈련이 수행된다.
• 프레임워크는 제어 가능한 생성을 지원하여 디자인 팀이 원하는 미적 방향에 따라 다양한 변형을 탐색할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 하이브리드 딥 러닝 모델이 높은 정확도로 소비자 미적 선호도를 효과적으로 예측할 수 있는가?
• RQ2 모델이 실제 시장에 소개된 제품과 유사한 새로운, 시각적으로 매력적이고 다양한 제품 디자인을 얼마나 잘 생성할 수 있는가?
• RQ3 모델의 예측 성능이 전통적인 기계 학습 모델과 사전 학습된 딥 네트워크 대비 어떻게 비교되는가?
• RQ4 생성된 디자인이 제어 가능하고 인간의 디자인 의도와 일치하면서도 높은 미적 품질을 유지할 수 있는가?
• RQ5 식당용 의자에 대한 개념 증명을 통해 모델이 자동차 외의 다른 제품 카테고리로 일반화되는가?

주요 결과

• 모델은 균일 기준 모델 대비 43.5% 향상된 미적 예측 정확도를 달성하여 기존 기계 학습 모델을 크게 능가한다.
• 모델은 표준 기계 학습 모델과 사전 학습된 딥 신경망 모두에 비해 소비자 선호도 예측에서 뚜렷한 향상을 보였다.
• 생성된 디자인은 소비자에게 매력적인 것으로 경험적으로 검증되었으며, 훈련 데이터 수집 시점으로부터 5년 후 실제 시장에 소개된 제품과 강한 일치를 보였다.
• 모델은 제어 가능한 방식으로 다양하고 고품질의 디자인을 성공적으로 생성하여 디자인 팀의 실용적 활용이 가능했다.
• 식당용 의자에 대한 개념 증명을 통해 모델이 자동차 외의 다른 제품 카테고리로의 일반화 가능성에 성공했다.
• VAE, GAN, 지도 학습 구성 요소의 통합은 정확한 예측과 의미 있는 생성을 동시에 수행할 수 있는 강력한 아키텍처를 만들어냈다.