[论文解读] fAshIon after fashion: A Report of AI in Fashion

Xingxing Zou, Wai Keung Wong|arXiv (Cornell University)|May 7, 2021

Fashion and Cultural Textiles参考文献 180被引用 9

一句话总结

本文对过去十年间人工智能在时尚（fAshIon）领域的应用进行了全面分析，将521篇研究论文划分为七个应用领域——概览、评估、基础技术、销售、搭配、设计与购买，同时识别出研究空白、关键趋势及未来机遇。研究揭示了全球AI时尚市场年复合增长率达40.8%，并强调了尚未被充分利用的数据集以及技术研究与实际商业应用之间的壁垒。

ABSTRACT

In this independent report fAshIon after fashion, we examine the development of fAshIon (artificial intelligence (AI) in fashion) and explore its potentiality to become a major disruptor of the fashion industry in the near future. To do this, we investigate AI technologies used in the fashion industry through several lenses. We summarise fAshIon studies conducted over the past decade and categorise them into seven groups: Overview, Evaluation, Basic Tech, Selling, Styling, Design, and Buying. The datasets mentioned in fAshIon research have been consolidated on one GitHub page for ease of use. We analyse the authors' backgrounds and the geographic regions treated in these studies to determine the landscape of fAshIon research. The results of our analysis are presented with an aim to provide researchers with a holistic view of research in fAshIon. As part of our primary research, we also review a wide range of cases of applied fAshIon in the fashion industry and analyse their impact on the industry, markets and individuals. We also identify the challenges presented by fAshIon and suggest that these may form the basis for future research. We finally exhibit that many potential opportunities exist for the use of AI in fashion which can transform the fashion industry embedded with AI technologies and boost profits.

研究动机与目标

• 通过分析过去十年间在关键应用领域内发表的521篇论文，绘制fAshIon研究的全景图。
• 识别地理与机构层面的研究趋势，包括表现优异的地区与机构，揭示时尚属性感知与数据分布上的区域差异。
• 通过分析126家fAshIon相关企业与初创公司，弥合学术研究与工业应用之间的鸿沟，突出尚未满足的实际需求。
• 通过将技术挑战与时尚产业在销售、搭配、设计与购买环节的实际需求相结合，提出fAshIon未来的研究方向。
• 将公开获取的时尚数据集整合至单一GitHub仓库，以加速研究的可复现性与基准测试。

提出的方法

• 采用系统性文献综述方法，利用IEEE Xplore、Google Scholar与arXiv检索2008至2021年间发表的fAshIon研究论文。
• 基于标题与摘要的主题分析，将521篇论文归类为七个应用类别：概览、评估、基础技术、销售、搭配、设计与购买。
• 通过作者隶属机构的地理空间分析，绘制全球研究热点图，识别出中国、美国、新加坡、印度、日本与德国为领先区域。
• 从论文标题中生成词云，识别最频繁的研究主题与新兴趋势。
• 将146个以上的时尚数据集进行整理与汇编，集中存储于GitHub仓库（https://github.com/AemikaChow/DATASOURCE）以供公众访问。
• 对126家fAshIon相关企业与初创公司进行案例研究，评估其在实际中的影响、技术采纳程度及商业模式障碍。

实验结果

研究问题

• RQ1 过去十年中，人工智能在时尚（fAshIon）领域的主导研究主题与应用领域是什么？
• RQ2 在时尚属性感知方面存在的区域差异（例如，'paisley'在某些地区为常见属性，而在其他地区为长尾属性）如何影响数据集分布与模型泛化能力？
• RQ3 学术fAshIon研究与工业实施之间存在多大差距？哪些障碍阻碍了技术转化？
• RQ4 哪些研究主题与数据集最具活跃度与影响力？它们如何为fAshIon领域的新研究者提供指引？
• RQ5 在销售、搭配、设计与购买等环节中，哪些未来研究方向最有可能推动时尚产业工作流程的变革？

主要发现

• fAshIon研究论文数量自2011年起显著增长，2018年达到峰值（130篇），2017年出现显著激增，与时尚产业AI采纳趋势相吻合。
• 中国、美国、新加坡、印度、日本与德国为前六大研究区域，其中中国在论文数量与机构产出方面均居首位。
• 尽管研究持续增长，但目前尚无全面且公开获取的、经过良好标注的时尚属性数据集，现有数据集普遍存在弱监督与数据噪声问题。
• 时尚产业的全球AI支出预计将从2019年的2.29亿美元增长至2024年的12.6亿美元，年复合增长率达到40.8%，显示出强劲的市场潜力。
• 由于技术框架与商业模式之间存在脱节，许多AI技术在实践中仍被低估，尤其在搭配与设计应用中更为明显。
• 未来研究应优先关注弱监督多标签分类、在网页监督数据中的细粒度属性识别，以及大规模时尚数据集中的可扩展图像检索。