[论文解读] 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 17

一句话总结

本文对2010至2020年间超过580项时尚与服装产业中的AI应用进行了全面的任务导向型调研，采用多标签分类方案将其划分为22种不同应用类型。研究提出了86个公开的时尚数据集，包含结构化和应用特定的详细信息，提供了研究趋势的时间序列图表，并进行了应用关系的共现分析，为研究人员提供了一个统一、可扩展的参考，以应对智能时尚AI领域迅速扩展的现状。

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.

研究动机与目标

• 通过将580多项研究系统组织为结构化、多标签任务导向的分类体系，解决时尚领域AI研究日益复杂和碎片化的问题。
• 通过系统性地对时尚AI应用进行分类，包括前沿成果与被忽视的研究，提升研究的可见性与可及性。
• 整理并标注最全面的86个公开时尚数据集列表，附带建议应用场景和结构化元数据。
• 通过各22个应用类别的逐年文章分布图表，分析时间序列上的研究趋势。
• 通过应用对的共现矩阵揭示时尚AI任务之间的相互依赖关系，突出最常被共同研究的研究领域。

提出的方法

• 使用多标签分类方案，将587篇2010–2020年间的AI研究论文归类至22个明确界定的时尚应用类别，允许一篇论文同时贡献于多个类别。
• 采用标准化的图像类型定义（如：物品图、模特图、街拍图、野生图）以确保在不同数据模态间评估和比较研究的一致性。
• 为每个应用类别创建时间图表，以可视化2010至2020年间的研究活跃度与演变趋势。
• 汇编86个公开的时尚数据集，附带包括规模、来源、图像类型和建议应用场景在内的元数据，以支持可复现性和基准测试。
• 利用交并比（IoU）百分比构建共现矩阵，量化成对应用在同一研究论文中被共同研究的频率。
• 在论文摘要中整合技术关键词和应用说明，以简洁方式传达方法论细节和实际应用价值。

实验结果

研究问题

• RQ1 2010至2020年间，哪些时尚AI应用经历了最显著的研究增长？其趋势如何相互比较？
• RQ2 当前公开的时尚数据集在规模、多样性及任务特定实用性方面处于何种状态？如何更有效地支持未来研究？
• RQ3 在实践中，不同时尚AI任务之间存在何种关联？哪些应用组合被最频繁地共同研究？
• RQ4 在22个已识别的时尚AI应用类别中，主要的方法论趋势和技术路径是什么？
• RQ5 在评估高层次时尚任务（如搭配性、风格、美感）方面面临哪些主要挑战？为何客观度量标准仍然缺乏？

主要发现

• 时尚领域AI研究论文数量从2010年的6篇增长至2020年的144篇，表明呈指数级增长，其中‘试穿’、‘推荐系统’和‘属性检测’为最活跃的研究方向。
• 在引用次数方面，最具活跃度的数据集是Deepfashion（130篇论文引用），其次是Market-1501（106篇）和CUB-200-2011（106篇），凸显其广泛应用。
• 共现分析显示，‘试穿’与‘属性检测’在54%的相关论文中被共同研究，表明其在方法论和应用层面具有显著协同效应。
• 超过80%的86个公开数据集为任务特定或小规模，尚无统一的、大规模数据集覆盖所有时尚任务，凸显数据基础设施中的重大缺口。
• 研究发现，63%的‘搭配性’相关论文和58%的‘个性化推荐’相关论文依赖主观人工评估，原因在于缺乏客观度量标准。
• 时间图表分析显示，‘3D建模’和‘魔法镜’应用的研究兴趣自2017年后显著上升，与生成式AI和实时渲染技术的进步相吻合。