[論文レビュー] Teaching DNNs to design fast fashion

Abhianv Ravi, Arun Patro+4 more|arXiv (Cornell University)|Jun 27, 2019

Color perception and design参考文献 9被引用数 6

ひとこと要約

本論文では、ソーシャルメディアの信号からファッションのトレンドを自動検出し、スタイル変換を用いて新しい衣類プロトタイプを生成する深層学習ベースのシステムを提案する。これにより、早期の顧客フィードバックを統合した迅速なデータ駆動型デザインが可能となり、設計から製造までの時間を短縮し、生産廃棄物を削減する。主な貢献は、トレンドにインformed でカスタマイズ可能なデザインを合成することで、設計から製造までの時間を短縮し、生産廃棄物を削減する完全自動化されたパイプラインを構築したことである。同時に、スタイル補間を用いたデザイナーの探求を支援するインタラクティブなインターフェースも提供する。

ABSTRACT

$ $"Fast Fashion" spearheads the biggest disruption in fashion that enabled to engineer resilient supply chains to quickly respond to changing fashion trends. The conventional design process in commercial manufacturing is often fed through "trends" or prevailing modes of dressing around the world that indicate sudden interest in a new form of expression, cyclic patterns, and popular modes of expression for a given time frame. In this work, we propose a fully automated system to explore, detect, and finally synthesize trends in fashion into design elements by designing representative prototypes of apparel given time series signals generated from social media feeds. Our system is envisioned to be the first step in design of Fast Fashion where the production cycle for clothes from design inception to manufacturing is meant to be rapid and responsive to current "trends". It also works to reduce wastage in fashion production by taking in customer feedback on sellability at the time of design generation. We also provide an interface wherein the designers can play with multiple trending styles in fashion and visualize designs as interpolations of elements of these styles. We aim to aid the creative process through generating interesting and inspiring combinations for a designer to mull by running them through her key customers.

研究の動機と目的

• 伝統的なファストファッションのサプライチェーンにおける高い廃棄物と遅延した反応時間の問題を、AIを用いたトレンド検出と迅速なデザイン生成によって解決すること。
• 主観的で曇った設計意思決定に依存するのを減らし、ソーシャルメディアからのデータベースドのトレンド信号に置き換えること。
• デザイン段階で早期の顧客フィードバックを統合することで、販売可能性を向上させ、過剰生産を削減すること。
• トレンドスタイルの間を補間可能なインタラクティブなインターフェースを提供し、デザイナーが探求しやすくすること。
• 深層ニューラルネットワークが、個々のユーザーの好みではなく、世界的なトレンドにインspired された創造的で新しいファッションデザインを生成できることを示すこと。

提案手法

• 本システムは、ソーシャルメディアからの時系列信号を処理し、リアルタイムで出現するファッショントレンドを検出する。
• スタイル変換に深層ニューラルネットワーク（DNN）を活用し、色、プリント、シルエット、テクスチャといったトレンド要因を組み合わせて、新しい衣類デザインを合成する。
• ユーザーインターフェースにより、複数のトレンドスタイル間の補間されたデザインを視覚化・操作可能にする。
• デザイン段階でデザイナーやターゲット顧客からのリアルタイムフィードバックを収集し、インスピレーションと市場可能性を評価する。
• トレンド検出は、個々のユーザーの好みではなく、動物柄、派手な色、チェック柄やクロスヘッド柄といったグローバルな現象に焦点を当てる。
• DNNアーキテクチャは、ガーメントの構造的整合性を保ちながら、スタイル要因を転送できるように学習されており、現実的で着用可能なプロトタイプを生成可能である。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、非構造化されたソーシャルメディアデータから顕著なファッショントレンドを効果的に検出し抽出できるか？
• RQ2 DNNは、検出されたトレンド要因を標準的なガーメントシルエットに転送することで、創造的で着用可能な新しい衣類デザインをどの程度生成できるか？
• RQ3 デザイナーや最終顧客は、AI生成ファッションプロトタイプの独自性、インスピレーション、市場可能性をどのように評価するか？
• RQ4 デザイン段階で収集された早期の顧客フィードバックは、販売可能性の予測精度を向上させ、生産廃棄物を削減するのに有効か？
• RQ5 DNNは、既存のスタイルの単純な複製を越えて、創造的で退屈でないデザインを生成できるか？

主な発見

• 生成された15点のデザインのうち6点が、デザイナー（インスピレーション）と商業的妥当性の両方で肯定的なフィードバックを得ており、市場可能性と強い整合性があることが示された。
• 4点のデザインは、インスピレーションと製造可能性の両方で低評価であり、主にネオンカラーとヘビの皮柄といった過剰な組み合わせが原因であった。
• 最終顧客は、コントラストが強く、派手な組み合わせ（例：ネオンカラーと動物柄）のデザインを「新鮮で斬新」と評価したが、デザイナーからは低得点であった。
• デザイナーは、派手な色やプリントを全体に使用するのではなく、装飾部（トリム）として好む傾向にあり、DNNが生成する色とプリントの統合方法に改善の余地があることが示唆された。
• 本システムは、魚のウロコ模様をシルエットドレスに適応させることで、マーメイドのようなシルエットを成功裏に生成した。これは、明示的なトレーニングデータを超えた、発生的創造性の証左である。
• ネットワークは、パターン入力に応じて、ヘムラインなどの構造的詳細を異なる方法で解釈しており、単なるパターンの重ね合わせではなく、適応的で生成的推論を示している。