Pixie Dust Technologies, Inc

TECHNOLOGY

DeepWear DeepWear

JAPANESE ENGLISH

「DeepWear」は、深層学習 (DCGANs) によって⼀つあるいは複数のファッションブランドの特徴を捉え、新たなデザインを提案する研究です。 優れたデザイナーは多くのファンを⽣み出しますが、請けられる仕事には限りがあります。しかし、深いニューラルネットワークを構成する計算機がその作品を⾒て学ぶことで、まるで優秀なアシスタントのように、新たな作品のアイデアを次々に書き出すようになります。また、⼤勢のデザイナーの特徴を学習していくことで、複数のブランドを融合させた新たなブランドを提案することもできます。 ファッションデザインを学んだ計算機知能は、デザイナー⾃⾝のアイデア出しはもちろん、メーカーの商品開発にもヒントを与えます。さらには、エンドユーザーが “好きなブランドの特徴” と “⾃分の好み” を併せ持った⾐服をオーダーすることも可能にします。

DeepWear refers to research on proposing new designs by identifying the features of one or more fashion brands, using deep learning (DCGANs). Although an outstanding designer produces many fans, there is a limit to the amount of work that the person can undertake. However, a computer incorporating a deep-learning neural network can learn by observing the products, and much like an outstanding assistant, is able to output many ideas for new products. Moreover, by learning the features of many designers, it is also able to propose new brands by blending the features of multiple brands. The intelligence of computers based on learning of fashion design, can be used for the generation of ideas by designers, and can also provide hints for new products to manufacturers. Moreover, it also enables end users to place order for garments that match both the features of a favorite brand and the users’ personal preferences.

< Case >

< Case >

■Case 1.
顧客からオリジナルのデザインイメージを受け取り、⾃社の⼯場で製品化するサービスを⼿がけているが、デザインを最適化できていない。顧客のデザイン経験によって品質にバラつきが出てしまうと、サービスとしてのブランドを保ちづらいと考えている。 ユーザーが理想とするブランドイメージや、提供者が近づけたいブランドイメージに応じてデザインを最適化してから型紙起こし・縫製ができないか。

■Case 2.
⾃社のプラットフォームに投稿された画像から、シーズンごとのファッショントレンドを学習することはできる。学習したデータの活⽤⼿段として、服の製造まで考えられないか。

■ Case 1.
You have commenced a service in which the product is made in your factory after obtaining the image of the original design from the customer, but it is unable to optimize the designs. You think that it will be difficult to sustain the brand as a service if quality variations occur due to the customer’s design experience. You are looking for ways to optimize the design based on the ideal brand image of the customer and the closer brand image that the provider wants to realize before cutting the pattern and sewing the garment.

■ Case 2.
It is possible to learn the fashion trends for each season by using the images submitted to your platform. You are looking for ways to consider all the way through to the production of the garment as a means of exploiting the learned data.

< 原理 >

< Theory >

ブランドの特徴を学習し、新たなデザイン案を複数の画像で出⼒

一般的な製法では、ファッションデザイナーが製作した⼆次元画像を型紙職⼈(パタンナー)が図⾯化し、パーツごとに裁断された⽣地を縫製⼯が縫い合わせることで服が完成します。 私たちのシステムでは、特定のブランド、つまりデザイナーの制作物の特徴を深層学習することで、型紙に起こす際の元データとなるスケッチ作成を機械化します。 なお、型紙職⼈が作業可能な解像度で画像を⽣成するため、深い畳み込み⽣成的対⽴ネットワーク(DCGANs)を使⽤しています。

Output of several images as proposals for new design after learning brand features

In the general production method, the patterner generates the production drawing based on the 2D images created by the fashion designer, and then a worker stiches together the cloth pieces cut for each part to complete the garment. In our system, for a specific brand for which deep learning has been undertaken to learn the features of the designer’s creations, we have mechanized the creation of sketches that constitute the basic data necessary in generating patterns. We are using deep convolutional generative adversarial networks (DCGANs), as the images need to be generated at a resolution appropriate for the patterners to use.

計算機・デザイナー・顧客の知能を融合させ、新たな服飾⽂化を構築

Establishing a new dress culture by fusing intelligence of computers, designers, and customers

GANs のシステムのように、型紙起こし・縫製や、出来上がった製品をユーザーに評価してもらうプロセスも並⾏して研究を⾏なうことで、デザイン画像の⽣成プログラムを社会に実装しています。また、潜在変数の調整を顧客⾃⾝が⾏なえるようにソフトウェア化することで、⾃分好みのブランド製品をオーダーメイドで直接発注するサービスにも応⽤可能です。

We are intending the social implementation of a program to generate new garments from design images by concurrently conducting research on the process of user evaluation of pattern making, sewing, and the finished product. Moreover, it is possible to apply this to a service for directly ordering tailored brand products matching personal preferences, by developing software to enable latent variable adjustments by the customers themselves.

戻る BACK
©2017-2019 Pixie Dust Technologies, Inc.