JP2021513181A - イメージ／テキスト基盤のデザイン生成装置及び方法 - Google Patents

イメージ／テキスト基盤のデザイン生成装置及び方法 Download PDF

Info

Publication number
JP2021513181A
JP2021513181A JP2020565249A JP2020565249A JP2021513181A JP 2021513181 A JP2021513181 A JP 2021513181A JP 2020565249 A JP2020565249 A JP 2020565249A JP 2020565249 A JP2020565249 A JP 2020565249A JP 2021513181 A JP2021513181 A JP 2021513181A
Authority
JP
Japan
Prior art keywords
design
elements
new
unit
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020565249A
Other languages
English (en)
Other versions
JP7489921B2 (ja
Inventor
ソン・ウサン
リ・ジェアンル
シン・キヨン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of JP2021513181A publication Critical patent/JP2021513181A/ja
Application granted granted Critical
Publication of JP7489921B2 publication Critical patent/JP7489921B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明は、イメージデータ及びテキストデータをパーシングするパーシング部；パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる学習部；及び、前記学習部で学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、デザインの要素を生成するデザイン生成部を含むデザイン生成装置を提供する。
【選択図】図２

Description

本発明は、イメージ及びテキストを基盤とする流行デザインの抽出及びデザイン生成装置及び方法に関する。
デザインの流行の変化速度は非常に早い。特に、グローバルＳＰＡブランドが生じ、ＳＮＳがさらに活発になりながら流行の変化速度はより早くなり、流行アイテムは世界的に同一のデザインとして収れんされる傾向が生じた。
これにより、早い流行変化の速度とグローバルなデザインによる供給を合わせるため、デザイナーは繰り返しの資料収集、早いデザイン作業の補助が必要であり、ファッションＭＤは、別途の最新トレンド、新興ブランド情報の収集と分析が必要であった。また、デザイナーは、早く変化する流行トレンドを抜かりなく調査し、それに合うデザインをしなければならない。しかし、急ぎの場合には、７日内にデザイン３つを作らなければならないのに、実際には２００−３００着を描いてようやく新たなデザイン１つを完成することができた。
また、ファッションＭＤの場合にも、トレンド及びブランドを調査するためコレクションを探訪してニューヨーク／パリなどの主要ファッション都市に行き、オーダーリストとルックブックを作らなければならないなど、ファッショントレンドをアップデートして新たなデザインを生成するために多くの費用、労力時間がかかるため非効率的であった。
本発明の一実施形態として、本発明は、イメージデータ及びテキストデータをパーシングするパーシング部；パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる学習部；及び前記学習部で学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、デザインの要素を生成するデザイン生成部を含むデザイン生成装置を提供することを特徴とする。
本発明の他の実施形態として、本発明は、パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる段階；及び、前記学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階を含むデザイン生成方法を提供することを特徴とする。
本発明の他の実施形態として、本発明は、イメージ及びテキストに基づいて新たなデザインの生成が可能な記録媒体に記録されたプログラムであって、パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる段階；及び、前記学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階を行うプログラムを提供することを特徴とする。
本発明の多様な実施形態によれば、早く変化するデザインの流行により時間的／費用的にさらに効率的な手段で新たなデザインが生成され得る。
本発明の一実施形態による全体の構成を示す図である。 本発明の一実施形態によるデザイン生成装置の構成を示す図である。 本発明の一実施形態によるデザイン生成装置のデザイン生成過程を簡略に示した図である。 本発明の一実施形態によるデザイン生成装置のデザイン生成過程を簡略に示した図である。 本発明の一実施形態によるデザイン生成装置のデザイン生成過程を簡略に示した図である。 本発明の一実施形態によるデザイン生成装置のデザイン生成過程を簡略に示した図である。 本発明の一実施形態によるデザイン生成装置のデザイン生成過程を簡略に示した図である。 本発明の一実施形態による抽出部の構成を示す図である。 本発明の一実施形態によるデザイン生成部の構成を示す図である。 本発明の一実施形態によるデザイン生成モデルを学習させてデザインを生成する方法の流れ図である。 本発明の一実施形態によるデザイン変更方法の簡略な流れ図である。 本発明の一実施形態によるデザイン合成方法の簡略な流れ図である。 本発明の一実施形態によるデザインの要素生成の簡略な流れ図である。 本発明の一実施形態によるデザイン生成方法の使用例を示す図である。 本発明の一実施形態によるデザイン合成方法の使用例を示す図である。 本発明の一実施形態による方法が実行されるプログラムが記録されるハードウェアの構成を示す図である。
以下では、図面を参照して本開示に対して詳細に説明する。このとき、それぞれの図面で同一の構成要素は可能なかぎり同一の符号で示す。また、既に公知の機能及び／または構成に対する詳細な説明は省略する。以下に開示された内容は、多様な実施形態による動作を理解するために必要な部分が重点的に説明され、その説明の要旨を不明にし得る要素に対する説明は省略する。
本文書で、「ＡまたはＢ」、「Ａまたは／及びＢのうち少なくとも１つ」、または「Ａまたは／及びＢのうち１つまたはそれ以上」などの表現は、ともに羅列された項目の可能な全ての組み合せを含んでよい。例えば、「ＡまたはＢ」、「Ａ及びＢのうち少なくとも１つ」、または「ＡまたはＢのうち少なくとも１つ」は、（１）少なくとも１つのＡを含む、（２）少なくとも１つのＢを含む、または（３）少なくとも１つのＡ及び少なくとも１つのＢのいずれも含む場合を全て指すことができる。
多様な実施形態において用いられた「第１」、「第２」、「１番目」、または「２番目」などの表現は、多様な構成要素を順序及び／または重要度にかかわることなく修飾することができ、当該構成要素を限定しない。例えば、本発明の権利範囲を脱しないまま、第１構成要素は第２構成要素として命名されてよく、同様に第２構成要素も第１構成要素に変えて命名されてよい。
また、図の一部の構成要素は、誇張かつ省略されるか、または概略的に示され得る。各構成要素の大きさは、実際の大きさを全的に反映するものではなく、よって、それぞれの図に描かれた構成要素の相対的な大きさや間隔によりここに記載される内容が制限されるものではない。
図１は、本発明の一実施形態による全体の構成を示す図である。
デザイン生成装置２００は、ウェブサイト、ＳＮＳ、ブログなどインターネット上でリアルタイムで露出されるイメージ及び当該イメージに関するテキストデータをパーシングする。イメージには、インターネット上に抽出され得る全てのイメージを含んでよい。具体的には、例えば、イメージは、ファッション関連の全てのアイテムが含まれたイメージ、アクセサリー関連の全てのアイテムが含まれたイメージ、ゲームコンテンツ関連イメージ（ゲームの背景、人物、服、アイテム、建物、地図などゲームに必要な全てのイメージ）、映画コンテンツ関連イメージ（映画の背景、人物、特殊効果、建物、地図など映画に必要な全てのイメージ）、ブランドロゴイメージ、インテリア関連イメージ（家具イメージ、家具配置、壁紙、原緞などインテリアに必要な全てのイメージ）、各種食器類イメージなどが含まれてよい。また、イメージは、風景写真、絵などの視覚的に識別することができる全てのイメージが含まれる。また、イメージは、鳥、子犬などの動物イメージを含んでよい。
また、デザイン生成装置２００は、ショッピングモールのようなウェブサイトでイメージをパーシングするときに、当該イメージに該当する販売量、販売額のデータもパーシングすることができる。また、当該イメージに関するテキストは、例えば、ショッピングモールでティーシャツを販売する場合、当該イメージのカテゴリーや商品名に記載されている「ティーシャツ」、「ティー」または「上衣」などのテキストであってよい。また、テキストデータには、素材、材質などの該当製品の製品仕様に対する情報が含まれてもよい。また、テキストデータに含まれる商品名としては、「イヤリング」、「ネックレス」などのアクセサリー類、「壁紙」、「原緞」、「ファブリック」などのインテリア用語、家具用語が含まれてよい。
また、テキストデータにはコンテンツデザイン用語が含まれてよい。コンテンツには、ゲーム、映画、マンガなどが全て含まれてよい。また、テキストデータは、パーシングするイメージに関する全ての用語を含んでよい。
また、デザイン生成装置２００は、インスタグラムまたはフェイスブックなどのようなＳＮＳに一定期間アップロードされるイメージデータをリアルタイムでパーシングして受信することができる。インスタグラムまたはフェイスブックなどのようなＳＮＳにアップロードされるイメージを介して最新トレンドが分かる。また、デザイン生成装置２００自体に記録されているイメージデータ及びテキストデータをパーシングすることができる。
ウェブサイト、ＳＮＳ、ブログなどインターネット上でリアルタイムで露出されるか、デザイン生成装置２００内にあるイメージ及び当該イメージに関するテキストデータをパーシングしたデザイン生成装置２００は、パーシングされたイメージ及びテキストに基づいて特定アイテムに対する新たなデザインまたはデザインの要素を生成する。ここで、デザインの要素は、パターン、形態、色相などデザインを構成することができる全ての要素のうち少なくとも１つを含んでよい。デザインの要素は、例えば、衣装、履物などを構成する要素であってよく、デザインの要素は、例えば、インテリア関連の品目（家具、壁紙インテリア関連の全ての品目）を構成する要素であってよい。また、デザインの要素は、ゲームコンテンツ（ゲームの背景、人物、服、アイテム、建物、地図など）を構成する要素であってよい。また、デザインの要素は、映画コンテンツ（例えば、映画の背景、人物、特殊効果、建物、地図など）を構成する要素であってよい。また、デザインの要素は、ブランドロゴなどを構成する要素であってよい。また、デザインの要素は、写真イメージに生成され得る全ての要素を構成することができる。例えば、風景イメージ、動物イメージ、人物イメージなどを構成することができるデザインの要素をその例として挙げることができる。
具体的には、デザイン生成装置２００は、パーシングしたイメージ及びテキストデータを用いてアイテムを抽出する。アイテムの抽出においては、パーシングしたイメージ及びテキストデータ以外にも、アイテム抽出モデル（ｏｂｊｅｃｔｉｏｎ ｄｅｔｅｃｔｉｏｎ）を用いる。例えば、アイテムには履物、カバン、ワンピース、ネクタイ、シャツ、帽子、カーディガン、コートなど多様なアイテムが含まれてよく、アイテムには全てのアクセサリー類、全てのインテリア関連の品目、映画コンテンツの構成要素、ゲームコンテンツの構成要素、ブランドロゴなどが含まれてよい。
例えば、イメージで履物に対応するベクター値があれば、当該イメージのうち「履物」部分を認識して履物アイテムを抽出することができる。
また、パーシングされたイメージに関するテキストデータも、イメージ内でアイテムを抽出するために用いられてよい。また、１つのイメージで複数のアイテムが抽出され得る。例えば、１つのイメージに、ビーニー帽を被ってタートルネックセーターにピーコートを着て、ジーパンを履いてスニーカーを履いた男性が立っているならば、当該イメージから抽出されるアイテムは「ビーニー帽」、「タートルネックセーター」、「ピーコート」、「ジーパン」及び「スニーカー」であってよい。
また、デザイン生成装置２００は、抽出されたアイテムのそれぞれに対するデザインの要素を抽出する。デザインの要素は、前述のとおり、全てのイメージに含まれる要素であってよく、下記には衣装を基準としてさらに具体的に説明する。デザインの要素は、色相、袖丈、フィット、パターン、プリントなどアイテムを構成する全ての外的要素を含む。例えば、図３を参照すると、花柄のプリントが全体的に入った袖なしで膝丈の白色のフレアワンピースのデザイン要素は、花柄のプリント、袖なし、白色、膝丈、フレアワンピースという要素を含む。また、デザイン生成装置２００は、アイテムのそれぞれに対するデザインの要素だけではなく、収集されたイメージのうちでアイテムが抽出されていないイメージにおける全体的なムード、形状、色相などの要素を用いてデザインの要素、例えば、パターン、色相、形状などを抽出することもできる。
デザイン生成装置２００は、抽出されたデザインまたはデザインの要素のうちで上位デザインまたはデザインの要素を抽出することができる。具体的には、ＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。また、特定ウェブサイトで特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。さらに、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて上位デザインまたはデザインの要素を判断することができる。また、当該デザインの要素自体に対して、露出頻度数、販売量、選好度などを全て考慮して一定の基準値以上のデザインの要素を抽出し得る。例えば、図３を参照すると、抽出されたデザインでのデザインの要素が「白色」、「袖なし」、「花柄」及び「フレアワンピース」であれば、それぞれの要素が上位デザインの要素であってよい。また、特定のデザインまたはデザインの要素が上位デザインまたはデザインの要素なのかに対して判断するときに、セレブなどの有名人が着用したアイテムに含まれたデザインまたはデザインの要素であるのか否かを判断し、このようなデザインまたはデザインの要素に対してはさらに加重値を与えて判断することができる。また、例えば、上位デザインが家具である場合には、デザインの要素が「原木」、「革」、「腕かけの有無」などの家具を形成する全ての要素を含むことができる。このように、上位デザインは、前記イメージに含まれ得る全てのデザイン（ゲームコンテンツ、映画コンテンツ、ブランドロゴなど）であってよく、この場合にも同一の上位デザイン抽出のプロセスが適用されてよい。
デザイン生成装置２００は、上位デザインまたはデザインの要素を抽出した後にこれを記録部に記録する。デザイン生成装置２００は、デザインの早い変化に従いリアルタイムで上位デザインの要素を抽出してアップデートし、数多くのアイテム別に上位デザインの要素をカテゴリー化して記録する。また、アイテムがない場合（一般のイメージなど）は、デザインの要素のみを記録することもできる。
また、デザイン生成装置２００は、人工知能を用いてパーシングされたイメージデータ及びテキストデータ、抽出された特定アイテムに対するデザインの要素／デザインの要素、前記デザイン抽出部で抽出された特定アイテムに対するデザインの要素のうちで上位デザインの要素を反映し、デザイン生成モデルを生成して学習させることができる。さらに、デザイン生成装置２００は、特定アイテムに対する生成されたデザイン、またはデザインの要素を追加で考慮してデザイン生成モデルを学習させ、また特定アイテムに対する生成されたデザイン、またはデザインの要素に対する評価を行い、その結果を追加で考慮してデザイン生成モデルを学習させる。デザインまたはデザインの要素に対する評価は後述する。
その後、デザイン生成装置２００は、学習部でリアルタイムで学習されるデザイン生成モデルを用いて新たなデザイン（上位デザインまたはデザインの要素）を生成する。
新たなデザインを生成するには、カテゴリーの特化が可能で、ランダム生成が可能なＧＡＮ（ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）、特定デザインのランダム変形が可能で、特定デザインの特性類似度が高い形態で新たなデザインを生成するＶＡＥ（Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒ）＋ＧＡＮ、特定デザインの要素を人間の遺伝形質（顔立ちなど）のように認識して多様な交配を作り上げ、これに対するフィードバックに基づいてより商品性が高い新たな変形を繰り返し世代間転移することができるｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ＋ＧＡＮ、デザイン変更のためのｃｏｎｄｉｔｉｏｎａｌ ＧＡＮ、及び新たなデザインを行うためのインスピレーションを多様なイメージなどのデータから抽出し、既存のデザインの外様を維持しながらスタイルを変形するｓｔｙｌｅ ｔｒａｎｓｆｅｒ技術が用いられてよい。
マシンラーニングは、大きく３種類の分類に分けられるところ、１番目は指導学習（Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）、２番目は強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）、そして最後は非指導学習（Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）である。
ここで、ＧＡＮは非指導学習に属し、イメージを生成するＧｅｎｅｒａｔｏｒ（Ｇ）と、Ｇｅｎｅｒａｔｏｒにより生成されたイメージを評価するＤｉｓｃｒｉｍｉｎａｔｏｒ（Ｄ）が互いに対立して互いの性能を改善させていくモデルとして新たなイメージを生成する。具体的には、Ｄは元々のデータのみを真と判断するために努力し、ＧはＤが偽と判別できないように偽データを生成して両モデルの性能がともに向上され、最終的にはＤが真データと偽データを区分できなくなる。
デザインを生成する一実施形態として、デザインの要素のベクター値を変更して新たなデザインの要素を生成する方法がある。ベクター値の変更は、設定値として入力されてよく、学習されたデザイン生成モデルにより行われてよい。具体的には、例えば、図５を参照すると、花柄のワンピースが流行であれば、収集されたイメージから抽出された花柄ワンピースにおける既存の花柄のベクター値が変更され、新たな花柄のワンピースのデザインを生成することができる。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素のうち異なる要素を合成し、特定アイテムに対する新たなデザインを生成する方法がある。具体的には、それぞれ流行するデザインの要素のうち異なる要素を併合して新たなデザインを生成することができる。例えば、図２のＥを参照すると、デザインの要素のうちニットの「パフ袖」、シャツの「ウルトラバイオレット色」、「ロングワンピース」を合成し、パフ袖でウルトラバイオレット色のロングワンピースであるデザインが生成され得る。また、このような異なる要素に対して自動でランダムに併合されてもよく、入力された（併合されるデザインの要素に対する）設定値により併合されてもよい。異なるデザインの要素は、アイテムが異なる場合にも適用可能である。例えば、衣装のパターンが家具に適用されてもよく、アクセサリーの形状がゲームのアイテムに適用されてもよい。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素を無作為に変更、合成して新たなデザインの要素を生成する方法がある。
例えば、図７を参照すると、花の写真から花に対するパターンを抽出し、夕焼けが落ちる写真から夕焼け色及びムードを抽出することにより、花柄が入って夕焼け色のパターンが生成されてよい。
また、このように生成されたデザインまたはデザインの要素は、再びデザイン生成モデルを学習させるときに反映されてデザイン生成モデルを学習させてよく、新たに学習されたデザイン生成モデルは、再び新たなデザインまたはデザインの要素を生成するときに用いられてよい。
次いで、デザイン生成装置２００は、生成された新たなデザインまたはデザインの要素を一定の基準により評価する。このとき、デザイン生成装置２００は、多様な要素を考慮して抽出された新たなデザインまたはデザインの要素を順位化することができる。新たなデザインまたはデザインの要素の順位化には、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数、特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数などの当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、同一のデザインまたはデザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインまたはデザインの要素に対する選好度、販売量または販売額がさらに高い場合、当該デザインまたはデザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたは新たなデザインの要素を順位化する。
また、このように、新たなデザインまたは新たなデザインの要素に順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
図２は、本発明の一実施形態によるデザイン生成装置２００の構成を示す図である。
デザイン生成装置２００は、入力部２０１、パーシング部２０２、抽出部２０３、記録部２０４、上位デザイン抽出部２０６、学習部２０７、デザイン生成部２０８、表示部２１０、伝送部２１２を含む。
入力部２０１を介してテキストやラベルを受信し、ベクター値の変更に反映することができる。
パーシング部２０２は、ネットワークを介して外部のウェブサイト、ブログまたはＳＮＳのサーバから、または記録部２０４からリアルタイムでイメージ及び当該イメージに関するテキストデータをパーシングする。また、特定ウェブサイトのサーバまたはデザイン生成装置自体から特定イメージに関する販売量データ、販売額データをパーシングする。また、当該イメージに関するテキストは、例えば、ショッピングモールでティーシャツを販売する場合、当該イメージのカテゴリーや商品名に記載されている「ティーシャツ」、「ティー」または「上衣」などのテキストであってよい。
抽出部２０３は、パーシングしたイメージ及びテキストデータを用いてアイテムを抽出する。アイテムの抽出においては、パーシングしたイメージ及びテキストデータ以外にも、アイテム抽出モデル（ｏｂｊｅｃｔｉｏｎ ｄｅｔｅｃｔｉｏｎ）を用いる。例えば、アイテムには履物、カバン、ワンピース、ネクタイ、シャツ、帽子、カーディガン、コートなどの多様なアイテムが含まれてよく、この際、イメージで履物に対応するベクター値があれば、当該イメージのうち「履物」部分を認識して履物アイテムを抽出することができる。
また、抽出部２０３は、抽出されたアイテムのそれぞれに対するデザインの要素を抽出する。デザインの要素は、色相、袖丈、フィット、パターン、プリントなどアイテムを構成する全ての外的要素を含む。さらに、抽出部２０３は、１つのイメージから複数のアイテムを抽出することができる。例えば、図４を参照すると、猫を抱いてサングラスをかけており、ホットパンツと黒色のティーシャツを着て、草履を履いた女子がイメージにいれば、抽出されるアイテムは、サングラス、ホットパンツ、ティーシャツ、履物（草履）である。ここで、猫はアイテムに抽出されない。
また、抽出部２０３は、抽出されたアイテムのそれぞれに対するデザインの要素を抽出する。デザインの要素は、色相、袖丈、フィット、パターン、プリント、材質などアイテムを構成する全ての外的要素を含む。例えば、図３を参照すると、花柄のプリントが全体的に入った袖なしで膝丈の白色のフレアワンピースのデザインの要素は、花柄のプリント、袖なし、白色、膝丈、フレアワンピースという要素を含む。
また、抽出部２０３は、アイテムのそれぞれに対するデザインの要素だけではなく、収集されたイメージのうちでアイテムが抽出されていないイメージでの全体的なムード、形状、色相などの要素を用いてデザインの要素、例えば、パターン、色相、形状などを抽出することもできる。
記録部２０４は、アイテム抽出モデルを記録する。アイテム抽出モデルは、当該イメージでのベクター値が如何なるアイテムに該当するのかを判断することができる。また、記録部２０４は、抽出されるアイテムをカテゴリー化して記録する。さらに、記録部２０４は、上位デザイン抽出部２０６で抽出されたアイテム別に上位デザインをカテゴリー化して記録する。
上位デザイン抽出部２０６は、抽出されたデザインのうちで上位デザインまたはデザインの要素が何であるかを判断する。具体的には、ＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定デザインの露出頻度数が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。また、特定ウェブサイトで、特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。さらに、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて上位デザインまたはデザインの要素を判断することができる。例えば、図３を参照すると、抽出されたデザインでのデザインの要素が「白色」、「袖なし」、「花柄」及び「フレアワンピース」であれば、それぞれの要素が上位デザインであってよい。また、上位デザインまたはデザインの要素を判断するときに、セレブなど有名人が着用したのか否かを判断することで、このようなデザインまたはデザインの要素に対しては予め決定された加重値を与えて判断することができる。
学習部２０７は、人工知能を用いてパーシングされたイメージデータ及びテキストデータ、抽出された特定アイテムに対するデザインの要素／デザインの要素、前記デザイン抽出部で抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素を反映し、デザイン生成モデルを生成して学習させることができる。また、学習部２０７は、特定アイテムに対する生成されたデザイン、またはデザインの要素を追加で考慮してデザイン生成モデルを学習させ、また、特定アイテムに対する生成されたデザイン、またはデザインの要素に対する評価を行い、その結果を追加で考慮してデザイン生成モデルを学習させる。
デザイン生成部２０８は、学習部でリアルタイムで学習されるデザイン生成モデルを用いて新たなデザインを生成する。デザイン生成部２０８で新たなデザインを生成するには、カテゴリーの特化が可能で、ランダム生成が可能なＧＡＮ（ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）、特定デザインのランダム変形が可能なＶＡＥ＋ＧＡＮ、ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ＋ＧＡＮ、デザイン変更のためのｃｏｎｄｉｔｉｏｎａｌ ＧＡＮ、及びｓｔｙｌｅ ｔｒａｎｓｆｅｒ技術が用いられてよい。
具体的には、デザイン生成部２０８は、新たなデザインまたはデザインの要素を生成するために次のような例示的方法を用いる。
デザインを生成する一実施形態として、流行するデザインの要素のベクター値を変更して新たなデザインの要素を生成する方法がある。ベクター値の変更は、設定値として入力されてよく、学習されたデザイン生成モデルにより自動で行われてよい。具体的には、例えば、図５を参照すると、花柄ワンピースが流行であれば、収集されたイメージから抽出された花柄ワンピースでの既存の花柄のベクター値が変更されて新たな花柄のワンピースのデザインを生成することができる。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素のうち異なる要素を合成して特定アイテムに対する新たなデザインを生成する方法がある。具体的には、それぞれ流行するデザインの要素のうち異なる要素を併合して新たなデザインを生成することができる。例えば、図６を参照すると、流行するデザインの要素のうちニットの「パフ袖」、シャツの「ウルトラバイオレット色」、「ロングワンピース」を合成し、パフ袖でウルトラバイオレット色のロングワンピースであるデザインが生成され得る。また、このような異なる要素に対して自動でランダムに併合されてもよく、入力された（併合されるデザインの要素に対する）設定値により併合されてもよい。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素に基づいてデザイン生成モデルを用いて新たなデザインの要素を生成する方法がある。
例えば、図７を参照すると、花の写真から花に対するパターンを抽出し、夕焼けが落ちる写真から夕焼け色及びムードを抽出することにより、新たなパターンが生成されてよい。
また、このように生成されたデザインまたはデザインの要素は、再びデザイン生成モデルを学習させるときに反映されてデザイン生成モデルを学習させてよく、新たに学習されたデザイン生成モデルは、再び新たなデザインまたはデザインの要素を生成するときに用いられてよい。さらに、このような学習されたデザイン生成モデルは、その入力値と出力値の種類によりそれぞれ個別的なモデルを含み得る。
次いで、デザイン生成部２０８は、生成された新たなデザインまたはデザインの要素を一定の基準により評価する。具体的には、デザイン生成部２０８は、多様な要素を考慮して抽出された新たなデザインまたはデザインの要素を順位化する。
新たなデザインまたはデザインの要素を順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数、特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータ）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、上位デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がより高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたはデザインの要素を順位化することができる。また、このように、新たなデザインまたは新たなデザインの要素に順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
表示部２１０は、デザイン生成部２０８で生成されたデザインを表示することができる。
伝送部２１２は、生成されたデザインに対して製造を進行しようとする場合に、製造しようとするデザインと製造の数量を工場の側に送ることができる。
図８は、本発明の一実施形態による抽出部２０３の構成を示す図である。
抽出部２０３は、アイテム抽出部３００、デザイン抽出部３０２を含む。
アイテム抽出部３００は、受信されたイメージ及びテキストデータを用いてアイテムを抽出する。アイテムの抽出においては、受信されたイメージ及びテキストデータ以外にも、記録されているアイテム抽出モデルを用いる。ここでアイテムには、履物、カバン、ワンピース、ネクタイシャツ、帽子、カーディガン、コートなど多様なアイテムが含まれ、イメージで履物に対応するベクター値があれば、当該イメージのうち「履物」部分を認識して履物アイテムを抽出することができる。また、受信されたイメージからアイテムを抽出するには、イメージに関するテキストが参考として用いられてよい。さらに、アイテム抽出部３００は、１つのイメージから複数のアイテムを抽出することができる。例えば、図４を参照すると、猫を抱いてサングラスをかけており、ホットパンツと黒色のティーシャツを着て、草履を履いた女子がイメージにいれば、抽出されるアイテムは、サングラス、ホットパンツ、ティーシャツ、履物（草履）である。ここで、猫はアイテムとして抽出されない。
デザイン抽出部３０２は、抽出されたアイテムのデザイン及びデザインの要素を抽出する。また、デザイン抽出部３０２は、パーシングされたイメージ、テキストなどを介してデザインの要素を抽出することもできる。デザインの要素は、色相、袖丈、フィット、パターン、プリントなどのアイテムを構成する全ての外的要素を含む。また、デザインの要素は、アイテムを構成しなくとも、一般的なイメージにおける色相、ムード、材質、パターンなどを含むことができる。
図９は、本発明の一実施形態によるデザイン生成部２０８の構成を示す図である。
デザイン生成部２０８は、デザイン受信部４００、デザイン変更部４０２、デザイン合成部４０４及び評価部４０６を含む。
デザイン生成部２０８は、学習部でリアルタイムで学習されるデザイン生成モデルを用いて新たなデザインを生成する。
新たなデザインを生成するには、カテゴリーの特化が可能で、ランダム生成が可能なＧＡＮ（ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ）、特定デザインのランダム変形が可能なＶＡＥ＋ＧＡＮ、ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ＋ＧＡＮ、デザイン変更のためのｃｏｎｄｉｔｉｏｎａｌ ＧＡＮ、及びｓｔｙｌｅ ｔｒａｎｓｆｅｒ技術が用いられてよい。
マシンラーニングは、大きく３種類の分類に分けられるところ、１番目は指導学習（Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）、２番目は強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）、そして最後は非指導学習（Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）である。
ここで、ＧＡＮは非指導学習に属し、イメージを生成するＧｅｎｅｒａｔｏｒ（Ｇ）と、Ｇｅｎｅｒａｔｏｒにより生成されたイメージを評価するＤｉｓｃｒｉｍｉｎａｔｏｒ（Ｄ）が互いに対立して互いの性能を改善させて行くモデルとして新たなイメージを生成する。具体的には、Ｄは元々のデータのみを真と判断するために努力し、ＧはＤが偽と判別できないように偽データを生成して両モデルの性能がともに向上され、最終的にはＤが真データと偽データを区分できなくなる。
また、ｃＧＡＮは、ランダムにＧｅｎｅｒａｔｉｏｎするのではなく、望むものをＧｅｎｅｒａｔｉｏｎできるのが既存のＧＡＮと異なる点である。
デザイン受信部４００は、新たなデザインを生成するために要素を全て受信する。例えば、デザイン生成モデル、デザインの要素を受信することができる。
デザイン変更部４０２は、アイテム別に抽出されたデザインの要素を用いてデザインの要素のベクター値を変更することにより新たなデザインを生成する。具体的には、花柄のシャツがあれば、収集されたイメージから抽出された花柄のシャツでの花柄のベクター値を変更して新たな花柄のシャツのデザインを生成することができる。また、デザイン変更部４０２は、デザイン生成モデルを用いてアイテムから抽出されたデザインの要素、及びアイテムがないイメージから抽出されたデザインの要素に対するベクター値を変更して新たなデザインの要素を生成することができる。ベクター値の変更は、自動で行われてもよく、設定値を受信して行われてもよい。
収集されたアイテムから抽出されたデザインの要素を用いて、デザイン合成部４０４は、収集されたアイテム別の流行デザインの要素のうち異なる要素を合成して当該アイテムの新たなデザインを生成する。また、デザイン変更部とデザイン合成部は、混合して用いて新たなデザインを生成することもできる。
具体的には、図６を参照すると、それぞれ流行するデザインの要素のうちニットの「パフ袖」、シャツの「ウルトラバイオレット色」、「ロングワンピース」を合成し、パフ袖でウルトラバイオレット色のロングワンピースであるデザインが生成され得る。また、同一のアイテムの異なる要素を合成することもできる。例えば、流行するデザインの要素であるブラウスの「カフス袖」、ブラウスの「花柄カラー」、ブラウスの「ミント色」が併合されて１つのブラウスデザインが生成されてよい。
また、デザイン合成部４０４は、アイテムから抽出されたデザインの要素、アイテムが含まれていないイメージから抽出されたデザインの要素を合成して新たなデザインの要素を生成することもできる。
また、デザイン合成部４０４は、アイテムから抽出されたデザインの要素、アイテムが含まれていないイメージから抽出されたデザインの要素を合成して特定アイテムに対する新たなデザインを生成することもできる。
評価部４０６は、デザイン変更部４０２またはデザイン合成部４０４で新たに生成されたデザインまたはデザインの要素を一定の基準で評価する。具体的には、評価部４０６は、多様な要素を考慮して抽出された新たなデザインまたはデザインの要素を順位化することができる。
新たなデザインまたはデザインの要素を順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数、特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージ（新たなデザインまたはデザインの要素と類似のデザインまたはデザインの要素を含んでいる）に対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、上位デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。評価部４０６は、このように生成された新たなデザインを順位化することができる。
例えば、生成されたデザインがバーガンディーカラーのショートカーディガンであるとすれば、商品毎にバーガンディーカラーも多様に表現され得る。すなわち、同一のバーガンディーカラーではあるが、少しずつ異なるトーンのバーガンディーカラーが抽出され得る。よって、多様な種類のバーガンディーショートカーディガンでバーガンディーカラーを選択するために、同一のバーガンディーカラーでも一層選好されるカラーを抽出して最終のバーガンディーカラーのショートカーディガンを導出することができる。ここで、同一のバーガンディーカラーではあるが一層選好されるカラーを抽出するために、選好度が高い特定ブランドで用いるカラーなのか、露出度が高いイメージで用いられるカラーなのかなど、カラーの間の選好度を判断することができる要素に基づいて判断することができる。
図１０は、本発明の一実施形態による流行デザインの抽出方法の流れ図である。
パーシング部２０２を介して受信されたウェブサイト、ＳＮＳ、ブログでリアルタイムで露出されるイメージ及び当該イメージに関するテキスト、テキストをパーシングする（Ｓ５００）。また、パーシング部２０２は、デザイン生成装置内に記録されているイメージ、イメージに関するテキスト、テキストをパーシングする。
アイテム抽出部３００は、収集されたイメージ及びテキストに基づいてアイテムを抽出する（Ｓ５０２）。
具体的には、アイテム抽出部３００は、パーシングされたイメージ及びテキストデータを用いてアイテムを抽出する。アイテムの抽出においては、パーシングされたイメージ及びテキストデータ以外にも、記録されているアイテム抽出モデルを用いる。ここでアイテムには、履物、カバン、ワンピース、ネクタイシャツ、帽子、カーディガン、コートなど多様なアイテムが含まれ、イメージでシャツに認識されるベクター値があれば、当該イメージのうちの「シャツ」部分を認識してシャツアイテムを抽出することができる。また、受信されたイメージからアイテムを抽出するには、イメージに関するテキストが参考として用いられてよい。また、アイテム抽出部３００は、１つのイメージから複数のアイテムを抽出することができる。
アイテム抽出部３００でアイテムを抽出すれば、デザイン抽出部３０２で当該アイテムからデザインの要素を抽出する（Ｓ５０４）。アイテムの抽出においては、パーシングしたイメージ及びテキストデータ以外にも、アイテム抽出モデル（ｏｂｊｅｃｔｉｏｎ ｄｅｔｅｃｔｉｏｎ）を用いる。例えば、アイテムには履物、カバン、ワンピース、ネクタイ、シャツ、帽子、カーディガン、コートなど多様なアイテムが含まれてよく、この際、イメージで履物に対応するベクター値があれば、当該イメージのうちの「履物」部分を認識して履物アイテムを抽出することができる。
具体的には、デザイン抽出部３０２は、抽出されたアイテムのデザインの要素を抽出する（Ｓ５０４）。デザインの要素は、色相、袖丈、フィット、パターン、プリントなどアイテムを構成する全ての外的要素を含む。また、デザインの要素は、材質、ムードなどを含むことができる。また、デザイン抽出部３０２は、アイテムのそれぞれに対するデザインの要素だけではなく、収集されたイメージのうちでアイテムが抽出されていないイメージでの全体的なムード、形状、色相などの要素を用いてデザインの要素、例えば、パターン、色相、形状などを抽出することもできる。
次いで、上位デザイン抽出部２０６とデザイン抽出部３０２で抽出されたデザインまたはデザインの要素のうち上位デザインを判断する（Ｓ５０６）。
具体的には、ＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数が基準値以上の場合に基づいて流行するデザインまたはデザインの要素を判断することができる。また、特定ウェブサイトで特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。さらに、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて上位デザインまたはデザインの要素を判断することができる。また、特定のデザインまたはデザインの要素が上位デザインまたはデザインの要素なのか判断するときに、セレブなど有名人が着用したのか否かを判断し、このようなデザインまたはデザインの要素に対してはさらに加重値を与えて判断することができる。
次いで、人工知能を用いて新たなデザインまたはデザインの要素を生成するデザイン生成モデルを学習させる（Ｓ５０８）。
学習部２０７は、人工知能を用いてパーシングされたイメージデータ及びテキストデータ、抽出された特定アイテムに対するデザインの要素／デザインの要素、前記デザイン抽出部で抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素を反映し、デザイン生成モデルを生成して学習させることができる。また、学習部２０７は、特定アイテムに対する生成されたデザイン、またはデザインの要素を追加で考慮してデザイン生成モデルを学習させ、また、特定アイテムに対する生成されたデザイン、またはデザインの要素に対する評価を行った結果を追加で考慮してデザイン生成モデルを学習させる。
次いで、学習されたデザイン生成モデルを用いて新たなデザインを生成する（Ｓ５１０）。
具体的には、デザイン生成部２０８は、新たなデザインまたはデザインの要素を生成するために次のような例示的方法を用いる。
デザインを生成する一実施形態として、流行するデザインの要素のベクター値を変更して新たなデザインの要素を生成する方法がある。ベクター値の変更は、設定値として入力されてよく、学習されたデザイン生成モデルにより行われてよい。具体的には、例えば、図５を参照すると、花柄のワンピースが流行であれば、収集されたイメージから抽出された花柄のワンピースでの既存の花柄のベクター値が変更されて新たな花柄のワンピースのデザインを生成することができる。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素のうち異なる要素を合成して特定アイテムに対する新たなデザインを生成する方法がある。具体的には、それぞれ流行するデザインの要素のうち異なる要素を併合して新たなデザインを生成することができる。例えば、図６を参照すると、流行するデザインの要素のうちニットの「パフ袖」、シャツの「ウルトラバイオレット色」、「ロングワンピース」を合成し、パフ袖でウルトラバイオレット色のロングワンピースであるデザインが生成され得る。また、このような異なる要素に対して自動でランダムに併合されてもよく、入力された（併合されるデザインの要素に対する）設定値により併合されてもよい。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素を無作為に変更、合成して新たなデザインの要素を生成する方法がある。
例えば、図７を参照すると、花の写真から花に対するパターンを抽出し、夕焼けが落ちる写真から夕焼け色及びムードを抽出することにより、花柄が入った夕焼け色のパターンが生成され得る。
また、このように生成されたデザインまたはデザインの要素は、再びデザイン生成モデルを学習させるときに反映されてデザイン生成モデルを学習させてよく、新たに学習されたデザイン生成モデルは、再び新たなデザインまたはデザインの要素を生成するときに用いられてよい。
図示されてはいないが、デザイン生成部は、デザインを生成した後に生成されたデザインを評価して順位化する。具体的には、デザイン生成部２０８は、多様な要素を考慮して抽出された新たなデザインまたはデザインの要素を順位化する。
新たなデザインまたはデザインの要素を順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定デザインの露出頻度数、特定デザインを含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータ）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、上位デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたはデザインの要素を順位化することができる。またこのように、新たなデザインまたは新たなデザインの要素に順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
図１１は、本発明の一実施形態によるデザイン変更方法の流れ図である。
次いで、デザイン変更部４０２は、学習されたデザイン生成モデルを用いてデザインの要素のベクター値を変更することにより新たなデザインまたはデザインの要素を生成する（Ｓ６０２）。ベクター値は、入力部を介して受信された設定値により変更されてもよく、自動に変更されてもよい。
また、このように生成されたデザインまたはデザインの要素は、再びデザイン生成モデルを学習させるときに反映されてデザイン生成モデルを学習させてよく、新たに学習されたデザイン生成モデルは、再び新たなデザインまたはデザインの要素を生成するときに用いられてよい。
生成されたデザインまたはデザインの要素は、評価されて順位化される（Ｓ６０４）。
新たなデザインまたはデザインの要素を順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定デザインの露出頻度数、特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータ）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、上位デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたはデザインの要素を順位化することができる。またこのように、新たなデザインまたは新たなデザインの要素に順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
図１２は、本発明の一実施形態によるデザイン生成方法の流れ図である。
デザイン生成モデルを用いて、デザイン合成部４０４は、収集されたアイテム別の流行デザインの要素のうち異なる要素を用いて新たなデザインを生成する（Ｓ７０２）。
生成された新たなデザインは、特定アイテムに対するデザインに限定されてよい。但し、異なる要素が抽出されたアイテムは異なるアイテムであってもよい。
生成されたデザインは、再びデザイン生成モデルを学習させるときに反映されてデザイン生成モデルを学習させてよく、新たに学習されたデザイン生成モデルは、再び新たなデザインまたはデザインの要素を生成するときに用いられてよい。
生成されたデザインは、評価されて順位化される（Ｓ７０４）。
新たなデザインを順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定デザインの露出頻度数、特定デザインを含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータ）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインに対しては加重値を与え、生成されたデザインに含まれたデザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインの要素に対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインを順位化することができる。またこのように、新たなデザインに順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
図１３は、本発明の一実施形態によるデザイン生成方法の流れ図である。
デザイン生成モデルを用いて新たなデザインの要素を生成する（Ｓ７０６）。
特定アイテムに対するデザインの要素だけではなく、アイテムが抽出されないイメージを基盤に抽出されるデザインの要素を用いて新たなデザインの要素を生成する（Ｓ７０６）。新たなデザインの要素としては、パターン、色相、フィットなどが含まれてよい。
生成されたデザインの要素に対する評価を行って順位化する（Ｓ７０８）。
新たなデザインの要素を順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定デザインの露出頻度数、特定デザインの要素を含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータ）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインの要素に対しては加重値を与え、同様に、デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたはデザインの要素を順位化することができる。またこのように、新たなデザインまたは新たなデザインの要素に順位が付けられた情報を用いてデザイン生成モデルを学習させることができる。
図１４を参照すると、デザイン変更部４０２を介して生成された新たなデザインが示されている。多様なプリントが描かれているシャツが流行の場合、既存のプリント要素を変更して新たなプリントが描かれたシャツがデザインされる。
図１５を参照すると、異なるデザインの要素を合成して新たなデザインが生成された例が示される。
図１６は、本発明の一実施形態による方法が実行されるプログラムが記録されるハードウェアの構成を示す図である。
当該サーバ１００１は、本発明の一実施形態によるデザイン生成装置に該当する。
サーバ１００１は、メモリー１０００、プロセッサ１００２、入力部１００４、表示部１００６及び通信部１００８を含む。
メモリー１０００は、記録部２０４に該当するものであって、アイテム抽出モデルを記録する。アイテム抽出モデルは、当該イメージにおけるベクター値が如何なるアイテムに該当するのかを判断することができる。
また、メモリー１０００は、抽出されるアイテムをカテゴリー化して記録する。さらに、メモリー１０００は、流行デザイン抽出部２０６で抽出されたアイテム別にデザインの要素をカテゴリー化して記録する。また、メモリー１０００は、生成された新たなデザインを順位化するモデルを記録することができる。
プロセッサ１００２は、収集されたイメージとテキストを用いて新たなデザインを生成する。デザイン生成装置の抽出部２０３及びデザイン生成部２０８に該当する。
プロセッサ１００２は、収集されたイメージとテキストを利用してメモリー１０００に記録されているアイテム抽出モデルを利用し、イメージ及びテキストを用いてアイテムを抽出した後、アイテム毎のデザインまたはデザインの要素を抽出する。または、プロセッサ１００２は、アイテムを抽出しなくとも、アイテムが抽出されないイメージ及びテキストを用いてデザイン及びデザインの要素を抽出することができる。
また、プロセッサ１００２は、抽出されたデザインまたはデザインの要素から上位デザインまたは上位デザインの要素を抽出する。具体的には、ＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。また、特定ウェブサイトで特定のデザインまたはデザインの要素を含むアイテムの販売量及び販売額が基準値以上の場合に基づいて上位デザインまたはデザインの要素を判断することができる。さらに、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて上位デザインまたはデザインの要素を判断することができる。また、特定のデザインまたはデザインの要素が上位デザインまたはデザインの要素であるのか否かを判断するときに、セレブなど有名人が着用したのか否かを判断することにより、このようなデザインに対してはさらに加重値を与えて判断することができる。
また、プロセッサ１００２は、デザイン生成モデルを学習させる。
プロセッサ１００２は、人工知能を用いてパーシングされたイメージデータ及びテキストデータ、抽出された特定アイテムに対するデザインの要素／デザインの要素、前記デザイン抽出部で抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素を反映し、デザイン生成モデルを生成して学習させることができる。
また、プロセッサ１００２は、特定アイテムに対する生成されたデザイン、またはデザインの要素を追加で考慮してデザイン生成モデルを学習させ、また、特定アイテムに対する生成されたデザイン、またはデザインの要素に対する評価を行い、その結果を追加で考慮してデザイン生成モデルを学習させる。
次いで、プロセッサ１００２は、上位デザイン及びデザイン生成モデルを用いて新たなデザインを生成する。
デザインを生成する一実施形態として、流行するデザインの要素のベクター値を変更して新たなデザインの要素を生成する方法がある。ベクター値の変更は、設定値として入力されてよく、学習されたデザイン生成モデルにより行われてよい。具体的には、例えば、図５を参照すると、花柄のワンピースが流行であれば、収集されたイメージから抽出された花柄のワンピースでの既存の花柄のベクター値が変更されて新たな花柄のワンピースのデザインを生成することができる。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素のうち異なる要素を合成して特定アイテムに対する新たなデザインを生成する方法がある。具体的には、それぞれ流行するデザインの要素のうち異なる要素を併合して新たなデザインを生成することができる。例えば、図６を参照すると、流行するデザインの要素のうちニットの「パフ袖」、シャツの「ウルトラバイオレット色」、「ロングワンピース」を合成し、パフ袖でウルトラバイオレット色のロングワンピースであるデザインが生成され得る。また、このような異なる要素に対して自動でランダムに併合されてもよく、入力された（併合されるデザインの要素に対する）設定値により併合されてもよい。
また、新たなデザインの要素を生成する他の実施形態として、デザインの要素を無作為に変更、合成して新たなデザインの要素を生成する方法がある。
また、プロセッサ１００２は、生成されたデザインまたはデザインの要素を評価して順位化する。新たなデザインを順位化するには、一般にＳＮＳまたはウェブサイトなどに露出されるイメージ上で特定のデザインまたはデザインの要素の露出頻度数、特定デザインを含むアイテムの販売量及び販売額、特定ウェブサイトまたはＳＮＳなどインターネット上で露出される当該イメージに対する選好度（クリック数、フィードバック数、共有数など当該イメージに対する選好度を推定することができる全てのデータに基づいて判断する）に基づいて判断することができる。また、露出頻度数を判断するときまたは順位を決定するとき、セレブまたは有名人のＳＮＳまたはイメージで露出されたデザインまたはデザインの要素に対しては加重値を与え、デザインの要素のうちでも特定ブランドまたは特定ウェブサイトで販売するデザインに対する選好度、販売量または販売額がさらに高い場合、当該デザインの要素に対しては加重値を与えることができる（以下、「加重値の判断」）。デザイン生成装置２００は、このように生成された新たなデザインまたはデザインの要素を順位化して一定の順位以上のデザインのみを最終結果のデザインとして導出する。
このように順位化された結果は、デザイン生成モデルを学習させるときに反映される。
表示部１００６は、生成されたデザインを表示することができる。
通信部１００８は、イメージデータまたはテキストデータを受信するか、生成されたデザインに対して製造を進めようとする場合に、製造しようとするデザインと製造の数量を工場の側に送ることができる。
また、多様な実施形態による装置またはシステムは、前述の構成要素のうち少なくとも１つ以上を含むか、一部が省略されるか、または追加的な他の構成要素をさらに含むことができる。そして、本文書に記載された実施形態は、開示された技術内容の説明及び理解のために提示されたものであって、本発明の範囲を限定するものではない。したがって、本文書の範囲は、本発明の技術的思想に基づいた全ての変更または多様な他の実施形態を含むものとして解釈されなければならない。

Claims (15)

  1. イメージデータ及びテキストデータをパーシングするパーシング部；
    パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる学習部；及び、
    前記学習部で学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、デザインの要素を生成するデザイン生成部を含むデザイン生成装置。
  2. 生成された新たなデザインを記録する記録部；
    前記イメージデータ及びテキストデータからアイテム及び、特定アイテムに対するデザインの要素、デザインの要素を抽出する抽出部；及び、
    前記抽出部で抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素を抽出する上位デザイン抽出部をさらに含む、請求項１に記載のデザイン生成装置。
  3. 前記学習部がデザイン生成モデルを学習させるとき、前記抽出部で抽出された特定アイテムに対するデザインの要素／デザインの要素、前記デザイン抽出部で抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素、及び前記デザイン生成部で生成されたデザイン／デザインの要素をさらに反映して学習させる、請求項２に記載のデザイン生成装置。
  4. イメージデータ及びテキストデータは、前記デザイン生成装置の外部装置を介してパーシングされてもよく、前記デザイン生成装置の記録部に記録されているデータからパーシングされてもよい、請求項２に記載のデザイン生成装置。
  5. 前記上位デザイン抽出部は、抽出されたデザインに対してウェブサイト、ブログまたはＳＮＳに露出される頻度数、販売量、選好度に基づいて上位デザインを判断する、請求項２に記載のデザイン生成装置。
  6. 前記デザイン生成部は、学習された前記デザイン生成モデルを用いて特定アイテムのデザインまたはデザインの要素を生成し、この際、前記特定アイテムのデザインまたはデザインの要素の生成にＧＡＮ、ＶＡＥ＋ＧＡＮ、ＧＡ＋ＧＡＮ、ｃＧＡＮ及びｓｔｙｌｅ ｔｒａｎｓｆｅｒのうち少なくとも１つを用いて生成する、請求項３に記載のデザイン生成装置。
  7. 前記デザイン生成部は、
    受信されたベクター値の変化により特定アイテムの新たなデザイン、または新たなデザインの要素を生成するデザイン変更部；
    リアルタイムで学習される前記デザイン生成モデルを用いてリアルタイムで新たなデザインを生成するデザイン合成部；及び、
    前記生成された特定アイテムの新たなデザイン、または新たなデザインの要素をウェブサイト、ブログ及びＳＮＳのうち少なくとも１つに露出される頻度数、販売量、選好度及び予め設定された加重値に基づいて評価する評価部を含む、請求項６に記載のデザイン生成装置。
  8. 前記評価部の評価の結果が前記学習部でデザイン生成モデルを学習させるときに反映される、請求項７に記載のデザイン生成装置。
  9. パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる段階；及び、
    前記学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階を含むデザイン生成方法。
  10. 前記デザイン生成モデルを学習させる段階以前に、
    パーシングされたイメージデータ及びテキストデータからアイテム、及び特定アイテムに対するデザインの要素、デザインの要素を抽出する段階；及び、
    前記抽出された特定アイテムに対するデザインの要素のうち上位デザインの要素を抽出する段階をさらに含む、請求項９に記載のデザイン生成方法。
  11. 前記デザイン生成モデルを学習させる段階で、
    抽出された前記特定アイテムに対するデザインの要素／デザインの要素、前記上位デザインの要素、及び前記特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階で生成された特定アイテムの新たなデザイン／新たなデザインの要素をさらに反映して学習させる、請求項１０に記載のデザイン生成方法。
  12. 前記上位デザインの要素を抽出する段階で、
    上位デザインの要素を抽出するときに、抽出されたデザインに対してウェブサイト、ブログまたはＳＮＳに露出される頻度数、販売量、選好度に基づいて判断する、請求項１０に記載のデザイン生成方法。
  13. 特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階は、
    受信されたベクター値の変化により特定アイテムの新たなデザイン、または新たなデザインの要素を生成する段階、または
    リアルタイムで学習される前記デザイン生成モデルを用いてリアルタイムで新たなデザインを生成する段階を含み、
    生成された特定アイテムの新たなデザイン、または新たなデザインの要素をウェブサイト、ブログ及びＳＮＳのうち少なくとも１つに露出される頻度数、販売量、選好度及び予め設定された加重値に基づいて評価する段階をさらに含む、請求項１１に記載のデザイン生成方法。
  14. デザイン生成モデルを学習させる段階で、前記評価する段階で評価された評価の結果を、前記デザイン生成モデルを学習させるときに反映する、請求項１３に記載のデザイン生成方法。
  15. イメージ及びテキストに基づいて新たなデザインの生成が可能な記録媒体に記録されたプログラムであって、
    パーシングされたイメージデータ及びテキストデータに基づいて人工知能を用いてデザイン生成モデルを学習させる段階；及び、
    前記学習されたデザイン生成モデルを用いて特定アイテムの新たなデザインまたは、新たなデザインの要素を生成する段階を行うプログラム。
JP2020565249A 2018-02-12 2019-02-11 イメージ／テキスト基盤のデザイン生成装置及び方法 Active JP7489921B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2018-0017229 2018-02-12
KR1020180017229A KR102045017B1 (ko) 2018-02-12 2018-02-12 이미지/텍스트 기반 디자인 생성 장치 및 방법
PCT/KR2019/001645 WO2019156522A1 (ko) 2018-02-12 2019-02-11 이미지/텍스트 기반 디자인 생성 장치 및 방법

Publications (2)

Publication Number Publication Date
JP2021513181A true JP2021513181A (ja) 2021-05-20
JP7489921B2 JP7489921B2 (ja) 2024-05-24

Family

ID=67548549

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020565249A Active JP7489921B2 (ja) 2018-02-12 2019-02-11 イメージ／テキスト基盤のデザイン生成装置及び方法

Country Status (5)

Country Link
US (2) US11948177B2 (ja)
EP (1) EP3754587A4 (ja)
JP (1) JP7489921B2 (ja)
KR (1) KR102045017B1 (ja)
WO (1) WO2019156522A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022180942A (ja) * 2021-05-25 2022-12-07 ソフトバンク株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317432B1 (ko) * 2019-09-09 2021-10-25 권수희 이미지 및 텍스트 통합분석에 기반한 패션 트렌드 예측방법, 장치 및 프로그램
KR102156899B1 (ko) * 2019-11-14 2020-09-16 한국광기술원 디자인 생성장치 및 방법
KR102102571B1 (ko) * 2020-01-14 2020-04-20 박동호 온라인 쇼핑 플랫폼을 제공하는 시스템 및 방법
KR102163769B1 (ko) * 2020-01-22 2020-10-08 김경욱 케이크 제조 방법
CN111539116B (zh) * 2020-04-28 2023-05-02 嘉兴市福慧自在科技有限公司 一种基于人工智能的服装设计辅助系统及设计方法
WO2022009607A1 (ja) * 2020-07-09 2022-01-13 ソニーグループ株式会社 画像処理装置、および画像処理方法、並びにプログラム
WO2022145525A1 (ko) 2020-12-29 2022-07-07 주식회사 디자이노블 학습된 조건 기반의 디자인 생성 방법 및 그 장치
CN113434459B (zh) * 2021-06-30 2022-09-02 电子科技大学 基于生成对抗网络的片上网络任务映射方法
KR102480557B1 (ko) * 2022-03-15 2022-12-23 주식회사 플라츠 사용자 입력 키워드 및 인공지능에 기반한 모델링 이미지 추천 모델 생성 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
JP2008500660A (ja) * 2004-05-24 2008-01-10 アフィノバ， インコーポレイテッド グループのデザインプレファレンスの決定
JP2008287684A (ja) * 2007-05-16 2008-11-27 Fusajiro Matsuura インターネットを活用したデザイン創作を支援するシステム
WO2017098760A1 (ja) * 2015-12-08 2017-06-15 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100511210B1 (ko) 2004-12-27 2005-08-30 주식회사지앤지커머스 의사 쓰리디 이미지 생성기법을 토대로 한 이용자 적응인공지능 토탈 코디네이션 방법과, 이를 이용한 서비스사업방법
AU2015271906B2 (en) * 2011-09-30 2017-03-02 Ebay Inc. Image feature data extraction and use
KR101524189B1 (ko) * 2012-10-30 2015-06-01 이화여자대학교 산학협력단 의류디자인 개발 시뮬레이션 시스템 및 이를 이용한 의류디자인 개발 방법
KR101451686B1 (ko) * 2012-11-30 2014-10-23 김한울 디자이너 플랫폼 장치 및 그를 이용한 서비스 제공 방법
US10664657B2 (en) * 2012-12-27 2020-05-26 Touchtype Limited System and method for inputting images or labels into electronic devices
KR101501405B1 (ko) * 2014-01-29 2015-03-12 김봉회 합성 이미지 전송 장치
KR101611895B1 (ko) * 2015-07-23 2016-04-12 연세대학교 산학협력단 감정 기반의 자동 문구 디자인 장치 및 그 방법
US10438264B1 (en) * 2016-08-31 2019-10-08 Amazon Technologies, Inc. Artificial intelligence feature extraction service for products
US10169770B2 (en) * 2017-04-10 2019-01-01 Wildfire Systems, Inc. Digital communications monetization system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000285151A (ja) * 1999-03-31 2000-10-13 Toyota Motor Corp デザイン評価装置及びデザイン作成装置並びに方法
JP2008500660A (ja) * 2004-05-24 2008-01-10 アフィノバ， インコーポレイテッド グループのデザインプレファレンスの決定
JP2008287684A (ja) * 2007-05-16 2008-11-27 Fusajiro Matsuura インターネットを活用したデザイン創作を支援するシステム
WO2017098760A1 (ja) * 2015-12-08 2017-06-15 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022180942A (ja) * 2021-05-25 2022-12-07 ソフトバンク株式会社 情報処理装置、情報処理方法及び情報処理プログラム
JP7362075B2 (ja) 2021-05-25 2023-10-17 ソフトバンク株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Also Published As

Publication number Publication date
KR102045017B1 (ko) 2019-11-29
EP3754587A1 (en) 2020-12-23
US20240202786A1 (en) 2024-06-20
US11948177B2 (en) 2024-04-02
WO2019156522A1 (ko) 2019-08-15
JP7489921B2 (ja) 2024-05-24
US20200372193A1 (en) 2020-11-26
KR20190097612A (ko) 2019-08-21
EP3754587A4 (en) 2021-03-17

Similar Documents

Publication Publication Date Title
JP7489921B2 (ja) イメージ／テキスト基盤のデザイン生成装置及び方法
KR102211400B1 (ko) 이미지/텍스트 기반 디자인 생성 장치 및 방법
CN110021061B (zh) 搭配模型构建方法、服饰推荐方法、装置、介质及终端
US10013713B2 (en) Computer implemented methods and systems for generating virtual body models for garment fit visualisation
CN106355629A (zh) 一种虚拟形象的配置方法及装置
US11783408B2 (en) Computer vision based methods and systems of universal fashion ontology fashion rating and recommendation
US10402879B2 (en) Offering a customized collection of products
KR102131971B1 (ko) 저작권 플랫폼을 제공하는 시스템 및 방법
KR20200122179A (ko) 이미지/텍스트 기반 인테리어 디자인 생성 장치 및 방법
KR20200122177A (ko) 이미지/텍스트 기반 게임 콘텐츠 구성 요소 디자인 생성 장치 및 방법
KR20200122178A (ko) 이미지/텍스트 기반 영화 콘텐츠 구성 요소 디자인 생성 장치 및 방법
JP2006155545A (ja) 画像評価装置及びカメラ付き携帯端末
Sanno Muslim fashion influencers shaping modesty in the twenty-first century on social media
Nelson The automation of communicative labor: Content recommendation algorithms and Amazon’s Echo Look
진단단 Fashion Style and Information Source in Hangzhou, China

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220208

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230425

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230718

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231003

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20231222

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240221

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240416

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240514

R150 Certificate of patent or registration of utility model

Ref document number: 7489921

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150