KR102626945B1 - Method and apparatus for converting 3d clothing data based on artificial intelligence model - Google Patents

Method and apparatus for converting 3d clothing data based on artificial intelligence model Download PDF

Info

Publication number
KR102626945B1
KR102626945B1 KR1020230087034A KR20230087034A KR102626945B1 KR 102626945 B1 KR102626945 B1 KR 102626945B1 KR 1020230087034 A KR1020230087034 A KR 1020230087034A KR 20230087034 A KR20230087034 A KR 20230087034A KR 102626945 B1 KR102626945 B1 KR 102626945B1
Authority
KR
South Korea
Prior art keywords
clothing
data
candidate
artificial intelligence
intelligence model
Prior art date
Application number
KR1020230087034A
Other languages
Korean (ko)
Inventor
박상진
Original Assignee
주식회사 니그나스
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 주식회사 니그나스 filed Critical 주식회사 니그나스
Priority to KR1020230087034A priority Critical patent/KR102626945B1/en
Application granted granted Critical
Publication of KR102626945B1 publication Critical patent/KR102626945B1/en

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0621Item configuration or customization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0641Shopping interfaces
    • G06Q30/0643Graphical representation of items or shoppers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04Manufacturing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/06Topological mapping of higher dimensional structures onto lower dimensional surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 전자장치가 의류 변환 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법에 관한 것이다. 상기 방법은 3D 의류 데이터를 획득하는 단계; 사용자 요청 데이터를 획득하는 단계; 3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하는 단계; 상기 제 1 의류 변환 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하는 단계; 상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력하는 단계; 및 상기 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력하는 단계; 를 포함할 수 있다. The present invention relates to a method by which an electronic device converts 3D clothing data into 2D clothing drawing data based on a clothing conversion artificial intelligence model. The method includes obtaining 3D clothing data; Obtaining user requested data; When 3D clothing data and user request data are input, the 3D clothing data and user request data are input into a first clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data, Obtaining candidate 2D clothing drawing data from the first clothing transformation artificial intelligence model; outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing transformation artificial intelligence model; Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, outputting candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data; and outputting the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied based on a user input of selecting one of the candidate 2D clothing drawing templates. may include.

Description

인공지능 모델 기반 3D 의류 데이터 변환 방법 및 장치 {METHOD AND APPARATUS FOR CONVERTING 3D CLOTHING DATA BASED ON ARTIFICIAL INTELLIGENCE MODEL}Artificial intelligence model-based 3D clothing data conversion method and device {METHOD AND APPARATUS FOR CONVERTING 3D CLOTHING DATA BASED ON ARTIFICIAL INTELLIGENCE MODEL}

본 개시는 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법 및 장치에 관한 것이다.This disclosure relates to a method and device for creating an application using a recommended template provided based on an artificial intelligence model.

최근 메타버스 및 가상현실 서비스의 증가로, 온라인에서 제작 및 판매되는 의류 및 패션 아이템에 대한 관심이 증가하고 있다.With the recent increase in metaverse and virtual reality services, interest in clothing and fashion items produced and sold online is increasing.

온라인에서 제작 및 판매되는 의류는 3D 의류 데이터의 형태로, 해당 의류를 오프라인에서 실제로 제작 및 판매하기 위해서는 2D 의류 도면 데이터로 변환이 필요하다.Clothing produced and sold online is in the form of 3D clothing data, and in order to actually produce and sell the clothing offline, it needs to be converted into 2D clothing drawing data.

그러나, 실제 온라인에서 제작 및 판매되는 의류는 의류 사이즈 및 비율이 실제 인체와 다를 수 있고, 실제 오프라인에서 제작되기 위해서는 사용자(의류 제작 주문자)의 다양한 요청 사항, 의류 트렌드 등을 반영할 필요성이 있기 때문에, 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 과정에는 다양한 요소들가 고려되어야 한다.However, the size and proportions of clothing actually produced and sold online may differ from the actual human body, and in order to be produced offline, there is a need to reflect the various requests of users (clothing orderers), clothing trends, etc. , various factors must be considered in the process of converting 3D clothing data into 2D clothing drawing data.

특히, 온라인에서 의류 또는 패션 아이템을 전문적으로 제작하는 크리에이터가 실제 오프라인에서 해당 의류 또는 패션 아이템을 제작하는 과정에서는 복잡한 절차, 판단이 요구되는 다양한 요소들, 비용 등의 문제로 실제 온라인에서 제작 및 판매되어, 오프라인에서도 성공 가능성이 높게 예측되는 의류 또는 패션 아이템의 제작이 실질적으로 이루어지지 못하는 경우가 많다.In particular, creators who specialize in producing clothing or fashion items online cannot actually produce and sell them online due to issues such as complicated procedures, various factors requiring judgment, and cost in the process of producing the clothing or fashion items offline. Therefore, in many cases, the production of clothing or fashion items that are predicted to have a high probability of success even offline cannot be actually produced.

종래 의류 제작을 제공하는 업체들은 2D 도면 제작을 별도로 요구하거나 2D 도면 제작에 높은 비용을 책정하였으며, 높은 비용에도 불구하고 사용자(의류 제작 주문자)가 선택할 수 있는 다양한 옵션이나 활용할 수 있는 트렌드 분석 또는 템플릿이 전혀 제공되지 않았다.Conventionally, companies that provide clothing production require the production of 2D drawings separately or set a high cost for producing 2D drawings. Despite the high cost, there are various options that users (clothing production orderers) can choose from, trend analysis or templates that can be utilized. This was not provided at all.

또한, 종래 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 인공지능 모델들은 트렌드에 따라 수정 및 갱신되는 것이 아니라 단순히 변환 방법을 최적화하는 것에 불과하였다.In addition, conventional artificial intelligence models that convert 3D clothing data into 2D clothing drawing data are not modified or updated according to trends, but simply optimize the conversion method.

이에, 본 발명에서 해결하고자 하는 과제는 의류 또는 패션 아이템의 특성, 즉 트렌드에 민감한 특성을 고려하여, 메타버스 및 가상현실 서비스에서 제작 및 판매되는 다양한 의류를 크리에이터가 다양한 요소를 고려하는 동시에 트렌드를 반영하여 자신에 제작한 의류에 대한 3D 의류 데이터를 2D 의류 도면 데이터로 변환할 수 있는 방법 및 장치를 제공하는 것이다.Accordingly, the problem to be solved by the present invention is to create a variety of clothing produced and sold in metaverse and virtual reality services by taking into account the characteristics of clothing or fashion items, that is, the characteristics that are sensitive to trends, by creators taking various factors into account while also following trends. It provides a method and device that can reflect and convert 3D clothing data about the clothing you made into 2D clothing drawing data.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.

전술한 바와 같은 과제를 해결하기 위하여 본 개시의 일 실시예에 따르면, 전자장치가 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법이 제공될 수 있다. 상기 방법은 3D 의류 데이터를 획득하는 단계; 사용자 요청 데이터를 획득하는 단계; 3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하는 단계; 상기 제 1 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하는 단계; 상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 적어도 하나의 후보 2D 의류 도면 템플릿들을 출력하는 단계; 및 상기 적어도 하나의 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력하는 단계; 를 포함할 수 있다.In order to solve the problems described above, according to an embodiment of the present disclosure, a method may be provided in which an electronic device converts 3D clothing data into 2D clothing drawing data based on an artificial intelligence model. The method includes obtaining 3D clothing data; Obtaining user requested data; When the 3D clothing data and user request data are input, the 3D clothing data and the user request data are input into a first artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data. Obtaining candidate 2D clothing drawing data from an artificial intelligence model; outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first artificial intelligence model; Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, outputting at least one candidate 2D clothing drawing template applicable to the selected candidate 2D clothing drawing data; and outputting the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied based on a user input of selecting one of the at least one candidate 2D clothing drawing template. may include.

본 개시의 특징에 따르면, 상기 적어도 하나의 후보 2D 의류 도면 템플릿들을 출력하는 단계는, 트렌드 분석 데이터를 획득하는 단계; 및 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 인공지능 모델에, 상기 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 상기 제 2 인공지능 모델로부터 후보 2D 의류 도면 템플릿들을 획득하는 단계; 를 포함할 수 있다.According to a feature of the present disclosure, the step of outputting the at least one candidate 2D clothing drawing template includes: acquiring trend analysis data; And when the candidate 2D clothing drawing data and trend analysis data are input, the selected candidate 2D clothing drawing data and the trend to a second artificial intelligence model that outputs candidate 2D clothing drawing templates according to the candidate 2D clothing drawing data and trend analysis data. Obtaining candidate 2D clothing drawing templates from the second artificial intelligence model by inputting analysis data; may include.

본 개시의 다른 특징에 따르면, 상기 제 2 인공지능 모델은, 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 기초로 학습되고, 그리고 상기 제 2 인공지능 모델은 메타버스 플랫폼 상에서 판매량 또는 사용량이 보다 많은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 일 작업 이력을 메타버스 플랫폼 상에서 판매량 또는 사용량이 보다 적은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 다른 작업 이력보다 높은 가중치를 적용하여 학습될 수 있다. 이에 따라, 상기 제 2 인공지능 모델은 메타버스 플랫폼 상에서 판매량 또는 사용량이 보다 많은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 작업 이력을 반영한 후보 2D 의류 도면 템플릿들을 추천할 수 있다.According to another feature of the present disclosure, the second artificial intelligence model is learned based on 2D clothing drawing learning data and trend analysis learning data, and the second artificial intelligence model has higher sales or usage on the Metaverse platform. The work history in which 3D clothing data is converted to 2D clothing drawing data can be learned on the Metaverse platform by applying a higher weight to it than other work histories in which 3D clothing data with lower sales or usage volume has been converted to 2D clothing drawing data. Accordingly, the second artificial intelligence model can recommend candidate 2D clothing drawing templates that reflect the work history of converting 3D clothing data with higher sales or usage into 2D clothing drawing data on the Metaverse platform.

본 개시의 다른 특징에 따르면, 상기 제 2 의류 변환 인공지능 모델은, 2D 의류 도면의 대상이 여성의류인 경우, 남성의류보다 학습시점으로부터 상대적으로 짧은 기간 동안에 수집된 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 이용하여 학습되고, 2D 의류 도면의 대상이 상의 의류인 경우, 하의 의류보다 학습시점으로부터 상대적으로 짧은 기간 동안에 수집 또는 입력된 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 이용하여 학습될 수 있다. 이에 따라, 상기 제 2 인공지능 모델은 의류의 대상 성별 또는 의류 카테고리별로 맞춤형 후보 2D 의류 도면 템플릿들을 추천할 수 있다.According to another feature of the present disclosure, the second clothing conversion artificial intelligence model analyzes 2D clothing drawing learning data and trend analysis collected over a relatively shorter period of time from the time of learning when the target of the 2D clothing drawing is women's clothing than men's clothing. It is learned using learning data, and when the object of the 2D clothing drawing is upper clothing, it can be learned using 2D clothing drawing learning data and trend analysis learning data collected or input in a relatively short period of time from the time of learning than lower clothing. there is. Accordingly, the second artificial intelligence model can recommend customized candidate 2D clothing drawing templates for each clothing target gender or clothing category.

본 개시의 다른 특징에 따르면, 상기 방법은 상기 선택된 후보 2D 의류 도면 템플릿 및 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 후보 2D 의류 도면 데이터를 상기 제 2 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계; 를 더 포함할 수 있다.According to another feature of the present disclosure, the method uses the selected candidate 2D clothing drawing template and the selected candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied as feedback data for modifying and updating the second artificial intelligence model. Steps provided as; may further include.

본 개시의 다른 특징에 따르면, 상기 방법은 상기 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력하는 단계; 를 더 포함할 수 있다.According to another feature of the present disclosure, the method includes outputting candidate clothing manufacturing factories based on the selected 2D clothing drawing data; may further include.

본 개시의 다른 특징에 따르면, 상기 후보 의류 제조공장들을 출력하는 단계는, 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 인공지능 모델에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 인공지능 모델로부터 상기 적어도 하나의 후보 의류 제조공장들을 출력하는 단계; 를 포함할 수 있다.According to another feature of the present disclosure, the step of outputting the candidate clothing manufacturing factories includes, when 2D clothing drawing data is input, applying the selected 2D clothing manufacturing factories to a third artificial intelligence model that outputs candidate clothing manufacturing factories according to the 2D clothing drawing data. outputting the at least one candidate clothing manufacturing factory from the third artificial intelligence model by inputting clothing drawing data; may include.

본 개시의 다른 특징에 따르면, 상기 제 3 의류 변환 인공지능 모델은, 후보 의류 제조공장들의 의류 생산 이력에 기초하여, 일 후보 의류 제조공장에서 생산된 의류와 상기 선택된 2D 의류 도면 데이터와 유사도가 다른 후보 의류 제조공장보다 높고, 생산된 의류와 상기 선택된 2D 의류 도면 데이터와 유사도가 미리결정된 정도 이상인 경우 일 후보 의류 제조공장에서 생산시점이 다른 후보 의류 제조공장에서 생산시점보다 빠른 경우, 일 후보 의류 제조공장을 다른 후보 의류 제조공장보다 우선하여 출력하도록 학습될 수 있다.According to another feature of the present disclosure, the third clothing transformation artificial intelligence model is based on the clothing production history of the candidate clothing manufacturing factories, and has a different degree of similarity between the clothing produced at one candidate clothing manufacturing factory and the selected 2D clothing drawing data. If the similarity between the produced clothing and the selected 2D clothing drawing data is higher than that of the candidate clothing manufacturing factory and is greater than a predetermined degree, if the production time at one candidate clothing manufacturing factory is earlier than the production time at other candidate clothing manufacturing factories, the candidate clothing manufacturing The factory can be learned to output output with priority over other candidate clothing manufacturing factories.

본 개시의 다른 특징에 따르면, 상기 제 3 인공지능 모델은, 후보 의류 제조공장들의 의류 생산 이력에 기초하여, 일 후보 의류 제조공장에서 생산된 의류와 상기 선택된 2D 의류 도면 데이터와 유사도가 다른 후보 의류 제조공장보다 높고, 생산된 의류와 상기 선택된 2D 의류 도면 데이터와 유사도가 미리결정된 정도 이상인 경우 일 후보 의류 제조공장에서 생산시점이 다른 후보 의류 제조공장에서 생산시점보다 빠른 경우, 일 후보 의류 제조공장을 다른 후보 의류 제조공장보다 우선하여 출력하도록 학습될 수 있다.According to another feature of the present disclosure, the third artificial intelligence model is, based on the clothing production history of the candidate clothing manufacturing factories, candidate clothing that has a different similarity between clothing produced at a candidate clothing manufacturing factory and the selected 2D clothing drawing data. If it is higher than the manufacturing factory and the similarity between the produced clothing and the selected 2D clothing drawing data is more than a predetermined degree, and if the production time at one candidate clothing manufacturing factory is earlier than the production time at another candidate clothing manufacturing factory, select the one candidate clothing manufacturing factory. It can be learned to output in priority over other candidate clothing manufacturing plants.

전술한 바와 같은 과제를 해결하기 위하여 본 개시의 다른 실시예에 따르면, 의류 변환 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하기 위한 전자장치가 제공될 수 있다. 상기 전자장치는 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 3D 의류 데이터를 획득하고; 사용자 요청 데이터를 획득하고; 3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하고; 상기 제 1 의류 변환 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하고; 상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력하고; 그리고 상기 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력할 수 있다.In order to solve the above-described problem, according to another embodiment of the present disclosure, an electronic device for converting 3D clothing data into 2D clothing drawing data based on a clothing conversion artificial intelligence model may be provided. The electronic device includes a memory that stores one or more instructions; and at least one processor executing the one or more instructions, wherein the processor acquires 3D clothing data by executing the one or more instructions; obtain user requested data; When 3D clothing data and user request data are input, the 3D clothing data and user request data are input into a first clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data, Obtaining candidate 2D clothing drawing data from the first clothing transformation artificial intelligence model; outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing transformation artificial intelligence model; Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, output candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data; And based on a user input for selecting one of the candidate 2D clothing drawing templates, the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied may be output.

본 개시의 특징에 따르면, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 2D 의류 도면 템플릿들을 출력하도록, 트렌드 분석 데이터를 획득하고; 그리고 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 의류 변환 인공지능 모델에, 상기 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 상기 제 2 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 템플릿들을 획득할 수 있다.According to a feature of the present disclosure, the processor acquires trend analysis data to output the candidate 2D clothing drawing templates by executing the one or more instructions; And when the candidate 2D clothing drawing data and trend analysis data are input, the selected candidate 2D clothing drawing data and the second clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing templates according to the candidate 2D clothing drawing data and trend analysis data. By inputting the trend analysis data, candidate 2D clothing drawing templates can be obtained from the second clothing transformation artificial intelligence model.

본 개시의 다른 특징에 따르면, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 선택된 후보 2D 의류 도면 템플릿 및 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 후보 2D 의류 도면 데이터를 상기 제 2 의류 변환 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공할 수 있다.According to another feature of the present disclosure, by executing the one or more instructions, the processor converts the selected candidate 2D clothing drawing template and the selected candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied into the second clothing conversion artificial process. It can be provided as feedback data for correction and update of the intelligence model.

본 개시의 다른 특징에 따르면, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력할 수 있다.According to another feature of the present disclosure, the processor may output candidate clothing manufacturing factories based on the selected 2D clothing drawing data by executing the one or more instructions.

본 개시의 다른 특징에 따르면, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 의류 제조공장들을 출력하도록, 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델로부터 상기 적어도 하나의 후보 의류 제조공장들을 출력할 수 있다.According to another feature of the present disclosure, the processor outputs the candidate clothing manufacturing factories according to the 2D clothing drawing data when 2D clothing drawing data is input, such that the processor outputs the candidate clothing manufacturing factories by executing the one or more instructions. 3 By inputting the selected 2D clothing drawing data into the clothing conversion artificial intelligence model, the at least one candidate clothing manufacturing factory can be output from the third clothing conversion artificial intelligence model.

기타 실시예의 구체적인 사항들은 발명을 실시하기 위한 구체적인 내용 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings for carrying out the invention.

도 1은 일 실시예에 따라 전자장치가 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하고, 변환된 최종 2D 의류 도면 데이터가 인공지능 모델에 의해 추천되고 사용자에 의해 선택된 의류 제조공장에 발주까지 연결되는 과정을 나타내는 도면이다.
도 2은 일 실시예에 따라 전자장치가 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법을 나타내는 흐름도이다.
도 3는 일 실시예에 따라 전자장치가 인공지능 모델 기반으로 후보 2D 의류 도면 템플릿들을 출력하는 단계를 구체적으로 나타내는 흐름도이다.
도 4는 일 실시예에 따라 제 1 의류 변환 인공지능 모델 및 제 2 의류 변환 인공지능 모델의 학습 과정을 설명하는 흐름도이다.
도 5은 일 실시예에 따른 전자장치의 블록도이다.
도 6은 또 다른 실시예에 따른 전자장치의 블록도이다.
도 7은 또 다른 실시예에 따른 서버의 블록도이다.
1 shows, according to an embodiment, an electronic device converts 3D clothing data into 2D clothing drawing data based on an artificial intelligence model, and the converted final 2D clothing drawing data is recommended by the artificial intelligence model and selected by the user at a clothing manufacturing factory. This is a diagram showing the process leading up to ordering.
Figure 2 is a flowchart showing a method by which an electronic device converts 3D clothing data into 2D clothing drawing data based on an artificial intelligence model, according to an embodiment.
FIG. 3 is a flowchart specifically illustrating steps in which an electronic device outputs candidate 2D clothing drawing templates based on an artificial intelligence model, according to an embodiment.
Figure 4 is a flowchart explaining the learning process of the first clothing transformation artificial intelligence model and the second clothing transformation artificial intelligence model according to an embodiment.
Figure 5 is a block diagram of an electronic device according to an embodiment.
Figure 6 is a block diagram of an electronic device according to another embodiment.
Figure 7 is a block diagram of a server according to another embodiment.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다. The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and will be implemented in various different forms, but the present embodiments only serve to ensure that the disclosure of the present invention is complete and are within the scope of common knowledge in the technical field to which the present invention pertains. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. In connection with the description of the drawings, similar reference numbers may be used for similar components.

본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다. In this document, expressions such as “have,” “may have,” “includes,” or “may include” refer to the existence of the corresponding feature (e.g., a numerical value, function, operation, or component such as a part). , and does not rule out the existence of additional features.

본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다. In this document, expressions such as “A or B,” “at least one of A or/and B,” or “one or more of A or/and B” may include all possible combinations of the items listed together. . For example, “A or B,” “at least one of A and B,” or “at least one of A or B” includes (1) at least one A, (2) at least one B, or (3) it may refer to all cases including both at least one A and at least one B.

본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다. Expressions such as “first,” “second,” “first,” or “second,” used in this document can modify various components regardless of order and/or importance, and can refer to one component. It is only used to distinguish from other components and does not limit the components. For example, a first user device and a second user device may represent different user devices regardless of order or importance. For example, the first component may be renamed as the second component without departing from the scope of rights described in this document, and similarly, the second component may also be renamed as the first component.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다. A component (e.g., a first component) is “(operatively or communicatively) coupled with/to” another component (e.g., a second component). When referred to as being “connected to,” it should be understood that any component may be directly connected to the other component or may be connected through another component (e.g., a third component). On the other hand, when a component (e.g., a first component) is said to be “directly connected” or “directly connected” to another component (e.g., a second component), It may be understood that no other component (e.g., a third component) exists between other components.

본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.As used in this document, the expression “configured to” depends on the situation, for example, “suitable for,” “having the capacity to.” ," can be used interchangeably with "designed to," "adapted to," "made to," or "capable of." The term “configured (or set to)” may not necessarily mean “specifically designed to” in hardware. Instead, in some contexts, the expression “a device configured to” may mean that the device is “capable of” working with other devices or components. For example, the phrase "processor configured (or set) to perform A, B, and C" refers to a processor dedicated to performing the operations (e.g., an embedded processor), or by executing one or more software programs stored on a memory device. , may refer to a general-purpose processor (e.g., CPU or application processor) capable of performing the corresponding operations.

본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.Terms used in this document are merely used to describe specific embodiments and may not be intended to limit the scope of other embodiments. Singular expressions may include plural expressions, unless the context clearly indicates otherwise. Terms used herein, including technical or scientific terms, may have the same meaning as generally understood by a person of ordinary skill in the technical field described in this document. Among the terms used in this document, terms defined in general dictionaries may be interpreted to have the same or similar meaning as the meaning they have in the context of related technology, and unless clearly defined in this document, have an ideal or excessively formal meaning. It is not interpreted as In some cases, even terms defined in this document cannot be interpreted to exclude embodiments of this document.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.Functions related to artificial intelligence according to the present disclosure are operated through a processor and memory. The processor may consist of one or multiple processors. At this time, one or more processors may be a general-purpose processor such as a CPU, AP, or DSP (Digital Signal Processor), a graphics-specific processor such as a GPU or VPU (Vision Processing Unit), or an artificial intelligence-specific processor such as an NPU. One or more processors control input data to be processed according to predefined operation rules or artificial intelligence models stored in memory. Alternatively, when one or more processors are dedicated artificial intelligence processors, the artificial intelligence dedicated processors may be designed with a hardware structure specialized for processing a specific artificial intelligence model.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.Predefined operation rules or artificial intelligence models are characterized by being created through learning. Here, being created through learning means that the basic artificial intelligence model is learned using a large number of learning data by a learning algorithm, thereby creating a predefined operation rule or artificial intelligence model set to perform the desired characteristics (or purpose). It means burden. This learning may be performed on the device itself that performs the artificial intelligence according to the present disclosure, or may be performed through a separate server and/or system. Examples of learning algorithms include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but are not limited to the examples described above.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드들과 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 또한, 손실값 또는 코스트 값을 최소화하기 위해, 손실값 또는 코스트값과 관련된 그래디언트를 최소화하는 방향으로 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.An artificial intelligence model may be composed of multiple neural network layers. Each of the plurality of neural network layers has a plurality of nodes and weight values, and neural network calculation is performed through calculation between the calculation result of the previous layer and the plurality of weights. Multiple weights of multiple neural network layers can be optimized by the learning results of the artificial intelligence model. For example, a plurality of weights may be updated so that loss or cost values obtained from the artificial intelligence model are reduced or minimized during the learning process. Additionally, in order to minimize the loss or cost, a plurality of weights may be updated in a direction that minimizes the gradient related to the loss or cost. Artificial neural networks may include deep neural networks (DNN), for example, Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), or Deep Q-Networks, etc., but are not limited to the examples described above.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.Each feature of the various embodiments of the present invention can be partially or fully combined or combined with each other, and as can be fully understood by those skilled in the art, various technical interconnections and operations are possible, and each embodiment may be implemented independently of each other. It may be possible to conduct them together due to a related relationship.

이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세하게 설명한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the attached drawings.

도 1은 일 실시예에 따라 전자장치가 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하고, 변환된 최종 2D 의류 도면 데이터가 인공지능 모델에 의해 추천되어 사용자에 의해 선택된 의류 제조공장에 발주까지 연결되는 과정을 나타내는 도면이다.1 shows, according to an embodiment, an electronic device converts 3D clothing data into 2D clothing drawing data based on an artificial intelligence model, and the converted final 2D clothing drawing data is recommended by the artificial intelligence model to a clothing manufacturing factory selected by the user. This is a diagram showing the process leading up to ordering.

도 1을 참조하면, 일 실시예에 따른 전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000) 및 제 2 의류 변환 인공지능 모델(3000)을 이용하여 3D 의류 데이터를 2D 의류 도면 데이터로 변환하고, 제 3 의류 변환 인공지능 모델(4000)를 이용하여 변환된 최종 2D 의류 도면 데이터를 발주할 의류 제조공장까지도 추천하여 사용자와 연결할 수 있다.Referring to FIG. 1, the electronic device 1000 according to one embodiment converts 3D clothing data into 2D clothing drawing data using a first clothing conversion artificial intelligence model (2000) and a second clothing conversion artificial intelligence model (3000). After converting, the third clothing conversion artificial intelligence model (4000) can be used to recommend and connect with the user a clothing manufacturing factory that will place an order for the converted final 2D clothing drawing data.

구체적으로, 도 1 에서는, 전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000)에 3D 의류 데이터 및 사용자 요청 데이터를 입력함으로써 후보 2D 의류 도면 데이터들을 획득하고, 사용자 입력에 기초하여 후보 2D 의류 도면 데이터들 중 하나가 선택되면 선택된 후보 2D 의류 도면 데이터를 제 2 의류 변환 인공지능 모델(3000)에 입력함으로써 후보 2D 의류 도면 템플릿들이 출력할 수 있다. 전자장치(1000)는 출력된 후보 2D 의류 도면 템플릿들 중 적어도 하나를 선택하는 사용자 입력에 기초하여 선택된 후보 2D 의류 도면 템플릿이 적용된 최종 2D 의류 도면 데이터가 출력할 수 있다. 나아가, 전자장치(1000)는 출력된 최종 2D 의류 도면 데이터를 제 3 의류 변환 인공지능 모델(4000)에 입력함으로써 후보 의류 제조공장들을 출력할 수도 있다.Specifically, in FIG. 1, the electronic device 1000 obtains candidate 2D clothing drawing data by inputting 3D clothing data and user request data into the first clothing conversion artificial intelligence model 2000, and creates candidate 2D clothing drawing data based on the user input. When one of the clothing drawing data is selected, candidate 2D clothing drawing templates can be output by inputting the selected candidate 2D clothing drawing data into the second clothing conversion artificial intelligence model 3000. The electronic device 1000 may output final 2D clothing drawing data to which the candidate 2D clothing drawing template selected based on a user input of selecting at least one of the output candidate 2D clothing drawing templates is applied. Furthermore, the electronic device 1000 may output candidate clothing manufacturing factories by inputting the output final 2D clothing drawing data into the third clothing conversion artificial intelligence model 4000.

이에 따라, 도 1을 참조하면, 일 실시예에 따른 전자장치(1000)는 서로 상이한 입력값 및 출력값을 갖는 3가지 종류의 인공지능 모델을 이용하여, 3D 의류 데이터를 2D 의류 도면 데이터로 변환하고, 변환된 최종 2D 의류 도면 데이터가 의류 제조공장에 발주까지 연결됨으로써, 트렌드 분석 등이 적용된 2D 의류 도면 템플릿을 이용하는 등 보다 다양한 옵션을 가지고 사용자의 니즈를 적극적으로 반영하면서 최종 의류 생산까지 맞춤형 변환 서비스를 제공할 수 있다. Accordingly, referring to FIG. 1, the electronic device 1000 according to one embodiment converts 3D clothing data into 2D clothing drawing data using three types of artificial intelligence models with different input and output values. , The converted final 2D clothing drawing data is connected to the ordering of the clothing manufacturing factory, providing a customized conversion service up to final clothing production while actively reflecting the user's needs with more options, such as using 2D clothing drawing templates with trend analysis applied. can be provided.

일 실시예에 따르면, 제 1 의류 변환 인공지능 모델(2000)은 3D 의류 학습데이터 및 사용자 요청 학습데이터를 기초로 학습될 수 있다.According to one embodiment, the first clothing transformation artificial intelligence model 2000 may be trained based on 3D clothing learning data and user requested learning data.

일 실시예에 따른 전자장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자장치(1000)는 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.The electronic device 1000 according to one embodiment may be implemented in various forms. For example, the electronic device 1000 described in this specification includes mobile terminals, smart phones, laptop computers, tablet PCs, e-book terminals, digital broadcasting terminals, PDAs (Personal Digital Assistants), etc. There may be, but it is not limited to this.

일 실시예에 따르면, 전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000), 제 2 의류 변환 인공지능 모델(3000), 및 제 3 의류 변환 인공지능 모델(4000)을 포함할 수 있다.According to one embodiment, the electronic device 1000 may include a first clothing transformation artificial intelligence model (2000), a second clothing transformation artificial intelligence model (3000), and a third clothing transformation artificial intelligence model (4000). .

전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000)을 이용하여, 사용자의 요청이 반영된 후보 2D 의류 도면 데이터들을 획득할 수 있다. 전자장치(1000)는 제 2 의류 변환 인공지능 모델(3000)을 이용하여, 사용자 입력에 의해 선택된 후보 2D 의류 도면 데이터에 적용가능한 후보 2D 의류 도면 템플릿들을 획득하여 사용자에게 제공(디스플레이 또는 인터페이스로 출력)함으로써 트렌드를 반영한 최종 2D 의류 도면 데이터를 획득할 수 있다. 전자장치(1000)는 제 3 의류 변환 인공지능 모델(4000)을 이용하여, 최종 2D 의류 도면 데이터로 변환된 3D 의류 데이터를 최적으로 제조할 수 있는 후보 의류 제조공장들을 획득할 수 있다. The electronic device 1000 may use the first clothing transformation artificial intelligence model 2000 to obtain candidate 2D clothing drawing data reflecting the user's request. The electronic device 1000 uses the second clothing transformation artificial intelligence model 3000 to obtain candidate 2D clothing drawing templates applicable to the candidate 2D clothing drawing data selected by user input and provides them to the user (output to a display or interface) ), you can obtain final 2D clothing drawing data that reflects the trend. The electronic device 1000 can use the third clothing conversion artificial intelligence model 4000 to obtain candidate clothing manufacturing factories that can optimally manufacture 3D clothing data converted into final 2D clothing drawing data.

한편, 전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000), 제 2 의류 변환 인공지능 모델(3000), 및 제 3 의류 변환 인공지능 모델(4000)을 모델링, 학습, 수정, 또는 갱신하는 동작을 수행할 수 있다. Meanwhile, the electronic device 1000 models, learns, modifies, or updates the first clothing transformation artificial intelligence model (2000), the second clothing transformation artificial intelligence model (3000), and the third clothing transformation artificial intelligence model (4000). You can perform the following actions.

일 실시예에 따르면, 전자장치(1000)가 이용하는 인공지능 모델들, 예를 들어 제 1 의류 변환 인공지능 모델(2000), 제 2 의류 변환 인공지능 모델(3000), 및 제 3 의류 변환 인공지능 모델(4000)은 생물학적 신경망에 착안된 컴퓨팅 시스템을 지칭하는 인공신경망(Artificial Neural Network, ANN) 모델이다. 인공신경망 모델의 예로, 신경망(Deep Neural Network, DNN), CNN(Convolution Neural Network), RNN(Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), 심층 Q-네트워크 (Deep Q-Networks) 등이 있다. 이하에서는 편의상 본 개시에 따른 제 1 의류 변환 인공지능 모델(2000), 제 2 의류 변환 인공지능 모델(3000), 및 제 3 의류 변환 인공지능 모델(4000)은 인공신경망 모델 중 심층 신경망(Deep Neural Network, DNN)인 경우를 예로 설명하기로 한다.According to one embodiment, artificial intelligence models used by the electronic device 1000, for example, the first clothing transformation artificial intelligence model (2000), the second clothing transformation artificial intelligence model (3000), and the third clothing transformation artificial intelligence model Model 4000 is an Artificial Neural Network (ANN) model, which refers to a computing system inspired by biological neural networks. Examples of artificial neural network models include Deep Neural Network (DNN), Convolution Neural Network (CNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), and Bidirectional Recurrent Deep Neural Network (BRDNN). ), Deep Q-Networks, etc. Hereinafter, for convenience, the first clothing transformation artificial intelligence model (2000), the second clothing transformation artificial intelligence model (3000), and the third clothing transformation artificial intelligence model (4000) according to the present disclosure are deep neural network (Deep Neural Network) among artificial neural network models. Network, DNN) will be explained as an example.

도 2은 일 실시예에 따라 전자 장치가 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법을 나타내는 흐름도이다.Figure 2 is a flowchart showing a method by which an electronic device converts 3D clothing data into 2D clothing drawing data based on an artificial intelligence model, according to an embodiment.

단계 S210에서, 전자장치(1000)는 3D 의류 데이터를 획득할 수 있다.In step S210, the electronic device 1000 may acquire 3D clothing data.

본 개시에서, 3D 의류 데이터라는 용어는 의류에 대한 3D 데이터로서, 3차원 모델링으로 컴퓨터가 이해할 수 있는 형태의 데이터를 의미할 수 있다. 예를 들어, 3D 의류 데이터는 메타버스 상에서 제작되는 의류 또는 기타 온라인에서 3D 형태로 표현되는 의류에 대한 데이터를 포함할 수 있다. 3D 의류 데이터는 전자장치(1000) 또는 전자장치(1000)에 연결된 서버(5000)에 대한 사용자의 입력에 의해 또는 메타버스 플랫폼으로부터 획득될 수 있다.In the present disclosure, the term 3D clothing data refers to 3D data about clothing and may refer to data in a form that a computer can understand through 3D modeling. For example, 3D clothing data may include data about clothing produced on the metaverse or other clothing expressed in 3D form online. 3D clothing data may be obtained by a user's input to the electronic device 1000 or a server 5000 connected to the electronic device 1000 or from the Metaverse platform.

3D 의류 데이터가 의류로 실제 의류공장(오프라인)에서 제작되기 위해서는 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 것이 필수적이다. 다만, 메타버스 상에서 판매되는 3D 의류 데이터를 실제 의류공장에서 생산하기 위해서는 메타버스 상에서 아바타의 인체비율과 현실에서 실제 인체비율의 차이, 메타버스 또는 가상현실과 현실에서 트렌드의 차이 등이 고려되어야 한다.In order for 3D clothing data to be produced as clothing in an actual clothing factory (offline), it is essential to convert 3D clothing data into 2D clothing drawing data. However, in order to produce 3D clothing data sold on the metaverse in an actual clothing factory, the difference between the human body proportions of the avatar in the metaverse and the actual human body proportion in reality, and the difference in trends between the metaverse or virtual reality and reality must be taken into consideration. .

이에 따라, 단계 S210에서 획득된 3D 의류 데이터에 실제 생산을 위해 비용을 집행할 사용자(의류 제작 주문자)의 요청 사항이 매우 중요하고, 이러한 요청 사항에 따라 메타버스 또는 가상현실에서 판매량 또는 사용량이 많은 의류 또는 패션 아이템이 성공적으로 오프라인에서 제작되어 판매될 수 있을지가 결정된다.Accordingly, the requests of users (clothing production orderers) who will spend costs for actual production of the 3D clothing data acquired in step S210 are very important, and according to these requests, sales or usage volume in the metaverse or virtual reality is very important. It determines whether a clothing or fashion item can be successfully produced and sold offline.

단계 S220에서, 전자장치(1000)는 사용자 요청 데이터를 획득할 수 있다.In step S220, the electronic device 1000 may obtain user requested data.

본 개시에서, 사용자 요청 데이터라는 용어는 3D 의류 데이터를 2D 의류 도면 데이터로 변환하려는 사용자의 요청 사항 또는 노하우가 반영된 데이터를 의미할 수 있다. 하나의 3D 의류 데이터는 의류공장에 발주를 넣는 사용자의 요청 사항 또는 노하우에 따라 하나의 2D 의류 도면 데이터가 아니라, 사용자의 요청이 반영된 복수의 2D 의류 도면 데이터들, 즉 후보 2D 의류 도면 데이터들로 변환될 수 있다. 예를 들어, 사용자 요청 데이터는 가상현실에서 제작된 의류에 대한 3D 의류 데이터와 현실에서 제작될 의류에 대한 2D 의류 도면 데이터 사이의 차이를 보완 또는 수정하기 위해서, 핏, 소재(원단), 의류 사이즈 등을 조정하기 위한 요청 사항을 포함할 수 있다. 사용자 요청 데이터느 전자장치(1000) 또는 전자장치(1000)에 연결된 서버(5000)에 대한 사용자의 입력에 의해 획득될 수 있다.In the present disclosure, the term user request data may refer to data reflecting the user's request or know-how to convert 3D clothing data into 2D clothing drawing data. One 3D clothing data is not a single 2D clothing drawing data according to the user's request or know-how when placing an order at a clothing factory, but a plurality of 2D clothing drawing data reflecting the user's request, that is, candidate 2D clothing drawing data. can be converted. For example, user requested data may include fit, material (fabric), and clothing size to complement or correct the difference between 3D clothing data for clothing produced in virtual reality and 2D clothing drawing data for clothing to be produced in reality. Requests for adjustments, etc. may be included. User requested data may be obtained by a user's input to the electronic device 1000 or the server 5000 connected to the electronic device 1000.

단계 S230에서, 전자장치(1000)는 3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델(2000)에, 3D 의류 데이터 및 사용자 요청 데이터를 입력함으로써, 제 1 의류 변환 인공지능 모델(2000)로부터 후보 2D 의류 도면 데이터들을 획득할 수 있다.In step S230, when 3D clothing data and user request data are input, the electronic device 1000 generates a 3D clothing conversion artificial intelligence model 2000 that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data. By inputting clothing data and user request data, candidate 2D clothing drawing data can be obtained from the first clothing transformation artificial intelligence model (2000).

일 실시예에 따르면, 전자장치(1000)는 제 1 의류 변환 인공지능 모델에 3D 의류 데이터 및 사용자 요청 데이터를 입력함으로써 하나의 3D 의류 데이터에 대해 대상 소재(원단), 의류 카테고리 등에 따라 루즈핏, 노멀핏, 커스터마이즈된 핏 등으로 핏(fit)이 조정되거나, 사용자가 파악한 트렌드, 노하우, 경험 등에 따라 핏, 소재(원단), 의류 사이즈 등이 조정되어 사용자의 요청이 반영된 후보 2D 의류 도면 데이터를 출력할 수 있다.According to one embodiment, the electronic device 1000 inputs 3D clothing data and user request data into the first clothing conversion artificial intelligence model to select loose fit, normal, etc. for one 3D clothing data according to the target material (fabric), clothing category, etc. Output candidate 2D clothing drawing data that reflects the user's request by adjusting the fit, customized fit, etc., or adjusting the fit, material (fabric), clothing size, etc. according to trends, know-how, and experience identified by the user. can do.

단계 S240에서, 전자장치(1000)는 제 1 의류 변환 인공지능 모델(2000)로부터 획득된 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력할 수 있다.In step S240, the electronic device 1000 may output at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing conversion artificial intelligence model 2000.

단계 S250에서, 전자장치(1000)는 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력할 수 있다. 전자장치(1000)는 어떤 후보 2D 의류 도면 데이터가 선택되는지에 따라 상이한 후보 2D 의류 도면 템플릿들을 출력할 수 있다. In step S250, the electronic device 1000 may output candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data based on a user input for selecting one of at least one candidate 2D clothing drawing data. The electronic device 1000 may output different candidate 2D clothing drawing templates depending on which candidate 2D clothing drawing data is selected.

단계 S260에서, 전자장치(1000)는 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 2D 의류 도면 템플릿이 적용된 선택된 2D 의류 도면 데이터를 출력할 수 있다.In step S260, the electronic device 1000 may output selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied based on a user input for selecting one of the candidate 2D clothing drawing templates.

도 3는 일 실시예에 따라 전자 장치가 인공지능 모델 기반으로 후보 2D 의류 도면 템플릿들을 출력하는 단계(S250)를 구체적으로 나타내는 흐름도이다.FIG. 3 is a flowchart specifically illustrating a step (S250) in which an electronic device outputs candidate 2D clothing drawing templates based on an artificial intelligence model, according to an embodiment.

단계 S310에서, 전자장치(1000)는 트렌드 분석 데이터를 획득할 수 있다.In step S310, the electronic device 1000 may acquire trend analysis data.

본 개시에서, 트렌드 분석 데이터라는 용어는 3D 의류가 2D 의류 도면으로 변환되는 트렌드를 분석하기 위한 데이터로서, 의류 카테고리(상의, 하의, 아우터, 원피스, 스커트, 속옷, 양말, 레그웨어 등), 의류 색상, 의류 소재, 의류 사이즈(총장, 어깨, 가슴, 소매, 허리, 엉덩이, 허벅지, 밑위, 밑단 등) 등에 대한 변화 또는 트렌드 정보를 포함할 수 있다.In this disclosure, the term trend analysis data refers to data for analyzing trends in which 3D clothing is converted into 2D clothing drawings, including clothing categories (tops, bottoms, outerwear, dresses, skirts, underwear, socks, legwear, etc.), clothing It may include change or trend information on color, clothing material, clothing size (total length, shoulders, chest, sleeves, waist, hips, thighs, rise, hem, etc.).

트렌드 분석 데이터는 의류 변환 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법을 제공하는 전자장치(1000) 또는 전자장치에 연결된 서버(5000)로부터 획득될 수 있다. 또한, 트렌드 분석 데이터는 사용자의 입력에 의해 획득될 수도 있다. 트렌드 분석 데이터는 상기 전자장치(1000) 또는 상기 서버(5000)에 저장된 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 작업 이력으로부터 의류 카테고리 별로 의류 색상, 의류 소재, 의류 사이즈 등에 대해 제 1 기간과 제 2 기간 사이의 변화에 대한 정보를 포함할 수 있다. Trend analysis data can be obtained from the electronic device 1000 or a server 5000 connected to the electronic device that provides a method of converting 3D clothing data into 2D clothing drawing data based on a clothing conversion artificial intelligence model. Additionally, trend analysis data may be obtained through user input. The trend analysis data is obtained from the work history in which 3D clothing data stored in the electronic device 1000 or the server 5000 has been converted into 2D clothing drawing data for the first period and the second period for clothing color, clothing material, clothing size, etc. for each clothing category. May contain information about changes between two periods.

일 실시예에 따르며, 제 1 기간은 2021년 여름 또는 6월 내지 8월이고 제 2 기간은 2022년 여름 또는 6월 내지 8월일 수 있다. 또한, 제 1 기간은 2022년 5월이고 제 2 기간은 2022년 6월일 수도 있다. 이때, 트렌드 분석 데이터는 이러한 제 1 기간과 제 2 기간 사이에 유사도가 일정 이상인 3D 의류 데이터들(제 1 기간에 대응되는 데이터 1, 제 2 기간에 대응되는 데이터 2)을 대상으로, 데이터 1과 데이터 2가 2D 의류 도면 데이터로 변환되는 과정에서 의류 카테고리 별로 의류 색상, 의류 소재, 의류 사이즈 등이 변환 또는 조정되는 정도의 차이의 변화에 대한 정보를 포함할 수 있다. 예를 들어, 제 1 기간에 여성 원피스의 경우 3D 의류 데이터를 2D 의류 도면 데이터로 변환되는 과정(작업 이력)에서 리본 등을 이용하고 린넨, 실크 등의 소재가 선택되었지만, 제 2 기간에 여성 원피스의 경우 변환되는 과정에서 고무줄 등을 이용하고 보다 실용적인 나일론, 폴리에스테르 등의 소재가 선택되어, 이때 트렌드 분석 데이터는 제 1 데이터 및 제 2 데이터 사이의 부자재 및 원단 변화 트렌드에 대한 정보를 포함할 수 있다. 예를 들어, 트렌드 분석 데이터는 여성 반바지 카테고리에 대해 2021년 여름보다 2022년 여름에 변환된 작업 이력이 보다 엉덩이 및 허벅지 사이즈에 대한 조정이 더 늘리는 방향(오버핏 또는 루즈핏)으로 변화했다는 정보를 제공할 수 있다.According to one embodiment, the first period may be summer 2021 or June to August and the second period may be summer 2022 or June to August. Additionally, the first period may be May 2022 and the second period may be June 2022. At this time, the trend analysis data targets 3D clothing data (data 1 corresponding to the first period, data 2 corresponding to the second period) whose similarity is above a certain level between the first period and the second period, data 1 and In the process of converting data 2 into 2D clothing drawing data, information about changes in the degree to which clothing color, clothing material, clothing size, etc. are converted or adjusted for each clothing category may be included. For example, in the case of a women's dress in the first period, ribbons, etc. were used in the process of converting 3D clothing data into 2D clothing drawing data (work history), and materials such as linen and silk were selected, but in the second period, the women's dress was In the case of the conversion process, rubber bands, etc. are used and more practical materials such as nylon and polyester are selected. At this time, the trend analysis data can include information on trends in changes in auxiliary materials and fabric between the first data and the second data. there is. For example, trend analysis data provides information that for the women's shorts category, the history of converted work shifted toward more adjustment for hip and thigh sizes (overfitting or loose fitting) in Summer 2022 compared to Summer 2021. can do.

단계 S320에서, 전자장치(1000)는 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 의류 변환 인공지능 모델(3000)에, 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 제 2 의류 변환 인공지능 모델(3000)로부터 후보 2D 의류 도면 템플릿들을 획득할 수 있다.In step S320, when candidate 2D clothing drawing data and trend analysis data are input, the electronic device 1000 creates a second clothing conversion artificial intelligence model ( 3000), by inputting the selected candidate 2D clothing drawing data and the trend analysis data, candidate 2D clothing drawing templates can be obtained from the second clothing transformation artificial intelligence model 3000.

본 개시에서, 후보 2D 의류 도면 템플릿이라는 용어는 선택된 2D 의류 도면 데이터에 적용가능한 템플릿으로, 트렌드 분석 데이터를 이용하여, 최종 2D 의류 도면 데이터가 출력되기 전에, 사용자에게 트렌드를 고려한 2D 의류 도면 데이터의 수정에 대한 다양한 선택지를 제공하기 위한 템플릿을 의미할 수 있다.In the present disclosure, the term candidate 2D clothing drawing template refers to a template applicable to selected 2D clothing drawing data, which uses trend analysis data to provide the user with the 2D clothing drawing data considering trends before the final 2D clothing drawing data is output. It may refer to a template to provide various options for modification.

트렌드 분석 데이터는 3D 의류 데이터를 2D 의류 도면 데이터로 변환되는 트렌드에 대한 정보를 제공하기 때문에, 특히 제공된 후보 2D 의류 도면 템플릿들이 사용자가 예측한 트렌드와 다른 경우에 사용자는 사용자가 예측한 트렌드 그대로 2D 의류 도면을 출력할지 아니면 제 2 의류 변환 인공지능 모델(3000)이 출력한 후보 2D 의류 도면 템플릿들 중 적어도 하나를 선택하여 사용자가 예측한 트렌드를 수정할지를 선택할 수 있다.Because trend analysis data provides information about trends that convert 3D clothing data into 2D clothing drawing data, especially if the provided candidate 2D clothing drawing templates are different from the trend predicted by the user, the user can use the 2D clothing drawing data as the user predicted trend. You can choose whether to print a clothing drawing or modify the trend predicted by the user by selecting at least one of the candidate 2D clothing drawing templates output by the second clothing conversion artificial intelligence model 3000.

전자장치(1000)는 제 2 의류 변환 인공지능 모델(2000)을 통해 1차적으로 의류 소재 또는 색상에 대한 변경을 추천하는 적어도 하나의 후보 2D 의류 도면 템플릿들을 제공할 수 있고, 2차적으로 의류 사이즈에 대한 정보(총장, 어깨, 가슴, 소매, 허리, 엉덩이, 허벅지, 밑위, 밑단 등) 중 적어도 하나에 대한 변경을 추천하는 적어도 하나의 후보 2D 의류 도면 템플릿들을 제공할 수 있다. 전자장치(1000)는 적어도 하나의 후보 2D 의류 도면 템플릿들 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 2D 의류 도면 템플릿을 그대로 적용 또는 세부사항을 조정하여 적용함으로써, 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력할 수 있다. The electronic device 1000 may provide at least one candidate 2D clothing drawing template that primarily recommends changes to clothing material or color through the second clothing transformation artificial intelligence model 2000, and secondarily provides clothing size. At least one candidate 2D clothing drawing template that recommends a change to at least one of the information (total length, shoulders, chest, sleeves, waist, hips, thighs, rise, hem, etc.) can be provided. The electronic device 1000 applies the selected candidate 2D clothing drawing template as is or adjusts the details based on a user input for selecting one of at least one candidate 2D clothing drawing template, thereby creating the selected candidate 2D clothing drawing template. The selected 2D clothing drawing data to which this is applied can be output.

일 실시예에 따르면, 전자장치(1000)는 제 2 의류 변환 인공지능 모델을 통해 여성 바지에 대한 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 경우, 여성 바지에 대한 후보 2D 의류 도면 데이터에 적용가능한 후보 2D 의류 도면 템플릿들로 엉덩이 및 허벅지의 사이즈를 1cm 내지 4cm를 조정하는(오버핏이면 늘리고 슬림핏이면 줄이는 조정) 템플릿, 원단을 보다 실용적인 나일론 또는 폴리에스터 원단으로 조정하는 템플릿 등을 제공할 수 있다. 예를 들어, 도 1에서, 후보 2D 의류 도면 템플릿 1은 엉덩이 및 허벅지의 사이즈를 1cm 내지 4cm를 조정하는 템플릿이고 후보 2D 의류 도면 템플릿 2는 원단을 보다 실용적인 나일론 또는 폴리에스터 원단으로 조정하는 템플릿일 수 있다.According to one embodiment, when the electronic device 1000 converts 3D clothing data for women's pants into 2D clothing drawing data through a second clothing conversion artificial intelligence model, the electronic device 1000 converts 3D clothing data for women's pants into 2D clothing drawing data for women's pants. Candidate 2D clothing drawing templates can provide templates for adjusting the size of the hips and thighs by 1cm to 4cm (adjustment to increase for overfit and decrease for slim fit), and templates for adjusting the fabric to more practical nylon or polyester fabric. . For example, in Figure 1, candidate 2D clothing drawing template 1 is a template that adjusts the size of the hips and thighs by 1 cm to 4 cm, and candidate 2D clothing drawing template 2 is a template that adjusts the fabric to a more practical nylon or polyester fabric. You can.

일 실시예에 따르면, 제 2 의류 변환 인공지능 모델(3000)은 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 기초로 학습될 수 있다.According to one embodiment, the second clothing transformation artificial intelligence model 3000 may be trained based on 2D clothing drawing learning data and trend analysis learning data.

일 실시예에 따르면, 제 2 의류 변환 인공지능 모델(3000)은, 2D 의류 도면의 대상이 여성의류인 경우, 남성의류보다 학습시점으로부터 상대적으로 짧은 기간 동안에 수집된 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 이용하여 학습되고, 2D 의류 도면의 대상이 상의 의류인 경우, 하의 의류보다 학습시점으로부터 상대적으로 짧은 기간 동안에 수집 또는 입력된 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 이용하여 학습될 수 있다.According to one embodiment, the second clothing conversion artificial intelligence model 3000 analyzes learning data and trends of 2D clothing drawings collected over a relatively shorter period of time from the point of learning when the object of the 2D clothing drawing is women's clothing than men's clothing. It is learned using learning data, and when the object of the 2D clothing drawing is upper clothing, it can be learned using 2D clothing drawing learning data and trend analysis learning data collected or input in a relatively short period of time from the time of learning than lower clothing. there is.

이에 따라, 제 2 의류 변환 인공지능 모델(3000)은 트렌드에 보다 민감한 성별 및 의류 카테고리를 고려하여, 실제 트렌드를 고려할 우선순위가 반영된 후보 2D 의류 도면 템플릿들을 출력할 수 있다.Accordingly, the second clothing transformation artificial intelligence model 3000 can output candidate 2D clothing drawing templates that reflect priorities for considering actual trends, taking into account gender and clothing categories that are more sensitive to trends.

일 실시예에 따르면, 제 2 의류 변환 인공지능 모델(3000)은 트렌드 분석 및 추천 기능을 강화하기 위해, 메타버스 플랫폼 상에서 판매량 또는 사용량이 보다 많은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 일 작업 이력을 메타버스 플랫폼 상에서 판매량 또는 사용량이 보다 적은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 다른 작업 이력보다 높은 가중치를 적용하여 학습될 수 있다.According to one embodiment, the second clothing conversion artificial intelligence model 3000 converts 3D clothing data with higher sales or usage into 2D clothing drawing data on the Metaverse platform in order to strengthen trend analysis and recommendation functions. On the Metaverse platform, 3D clothing data with lower sales or usage history can be learned by applying a higher weight to it than other work histories converted to 2D clothing drawing data.

이에 따라, 제 2 의류 변환 인공지능 모델(3000)은 실제 메타버스 플랫폼 상에서 크리에이터가 창작한 아이템 또는 의류에 대한 실제 판매량 또는 사용량을 고려하여, 실제 오프라인 상에서 보다 트렌디하게 판매될 가능성이 높은 의류 제작에 이용될 수 있는 2D 의류 도면 데이터를 출력하기 위한 후보 2D 의류 도면 템플릿들을 출력할 수 있다.Accordingly, the second clothing conversion artificial intelligence model (3000) considers the actual sales or usage of items or clothing created by creators on the actual metaverse platform, and is used to create clothing that is likely to be sold more trendily offline. Candidate 2D clothing drawing templates for outputting usable 2D clothing drawing data can be output.

일 실시예에 따르면, 전자장치(1000)는 단계 S250에서 선택된 후보 2D 의류 도면 템플릿 및 선택된 후보 2D 의류 도면 템플릿이 적용된 후보 2D 의류 도면 데이터를 제 2 의류 변환 인공지능 모델(3000)의 수정 및 갱신을 위한 피드백 데이터로 제공할 수 있다.According to one embodiment, the electronic device 1000 modifies and updates the candidate 2D clothing drawing template selected in step S250 and the candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied to the second clothing conversion artificial intelligence model 3000. It can be provided as feedback data for.

일 실시예에 따르면, 도 1에 도시된 방법은 선택된 후보 2D 의류 도면 템플릿 및 선택된 후보 2D 의류 도면 템플릿이 적용된 후보 2D 의류 도면 데이터를 제 2 의류 변환 인공지능 모델(3000)의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계를 더 포함할 수 있다.According to one embodiment, the method shown in FIG. 1 uses the selected candidate 2D clothing drawing template and the candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied for modifying and updating the second clothing transformation artificial intelligence model 3000. A step of providing feedback data may be further included.

일 실시예에 따르면, 전자장치(1000)는 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력할 수 있다.According to one embodiment, the electronic device 1000 may output candidate clothing manufacturing factories based on selected 2D clothing drawing data.

일 실시예에 따르면, 도 1에 도시된 방법은 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력하는 단계를 더 포함할 수 있다.According to one embodiment, the method shown in FIG. 1 may further include outputting candidate clothing manufacturing factories based on selected 2D clothing drawing data.

일 실시예에 따르면, 후보 의류 제조공장들을 출력하는 단계는 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델(4000)에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델(4000)로부터 적어도 하나의 후보 의류 제조공장들을 출력하는 단계를 포함할 수 있다.According to one embodiment, the step of outputting candidate clothing manufacturing factories is when 2D clothing drawing data is input, the selected clothing conversion artificial intelligence model 4000 outputs candidate clothing manufacturing factories according to the 2D clothing drawing data. It may include outputting at least one candidate clothing manufacturing factory from the third clothing conversion artificial intelligence model (4000) by inputting 2D clothing drawing data.

일 실시예에 따르면, 전자장치(1000)는 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델(4000)에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델(4000)로부터 적어도 하나의 후보 의류 제조공장들을 출력할 수 있다.According to one embodiment, when 2D clothing drawing data is input, the electronic device 1000 inputs the selected 2D clothing drawing to the third clothing conversion artificial intelligence model 4000 that outputs a candidate clothing manufacturing factory according to the 2D clothing drawing data. By inputting data, at least one candidate clothing manufacturing factory can be output from the third clothing conversion artificial intelligence model 4000.

일 실시예에 따르면, 제 3 의류 변환 인공지능 모델(4000)은 2D 의류 도면 학습데이터 및 의류 제조공장 이력 학습데이터를 기초로 학습될 수 있다.According to one embodiment, the third clothing transformation artificial intelligence model 4000 may be trained based on 2D clothing drawing learning data and clothing manufacturing factory history learning data.

일 실시예에 따르면, 제 3 의류 변환 인공지능 모델(4000)은 후보 의류 제조공장들의 의류 생산 이력에 기초하여, 일 후보 의류 제조공장에서 생산된 의류와 상기 선택된 2D 의류 도면 데이터와 유사도가 다른 후보 의류 제조공장보다 높고, 생산된 의류와 선택된 2D 의류 도면 데이터와 유사도가 미리결정된 정도 이상인 경우 일 후보 의류 제조공장에서 생산시점이 다른 후보 의류 제조공장에서 생산시점보다 빠른 경우, 일 후보 의류 제조공장을 다른 후보 의류 제조공장보다 우선하여 출력하도록 학습될 수 있다.According to one embodiment, the third clothing transformation artificial intelligence model 4000 is based on the clothing production history of the candidate clothing manufacturing factories, and selects a candidate that has a different similarity between clothing produced at a candidate clothing manufacturing factory and the selected 2D clothing drawing data. If it is higher than the clothing manufacturing factory and the similarity between the produced clothing and the selected 2D clothing drawing data is more than a predetermined degree, and if the production time at the candidate clothing manufacturing factory is earlier than the production time at the other candidate clothing manufacturing factories, the candidate clothing manufacturing factory is selected. It can be learned to output in priority over other candidate clothing manufacturing plants.

이에 따라, 제 3 의류 변환 인공지능 모델(4000)은 3D 의류 데이터로부터 변환된 2D 의류 도면 데이터를 이용하여 생산하려는 의류와 유사성이 높은 의류에 대한 생산 경험이 보다 많은 제조공장을 사용자가 선택할 수 있도록 후보 의류 제조공장들을 출력할 수 있다.Accordingly, the third clothing conversion artificial intelligence model (4000) uses 2D clothing drawing data converted from 3D clothing data to allow the user to select a manufacturing plant with more experience in producing clothing that is highly similar to the clothing to be produced. Candidate clothing manufacturing factories can be printed.

일 실시예에 따르면, 제 3 의류 변환 인공지능 모델(4000)은, 후보 의류 제조공장들의 의류 생산 이력에 기초하여, 일 후보 의류 제조공장에서 생산된 의류와 선택된 2D 의류 도면 데이터와 유사도가 다른 후보 의류 제조공장보다 높고, 생산된 의류와 선택된 2D 의류 도면 데이터와 유사도가 미리결정된 정도 이상인 경우 일 후보 의류 제조공장에서 생산시점이 다른 후보 의류 제조공장에서 생산시점보다 빠른 경우, 일 후보 의류 제조공장을 다른 후보 의류 제조공장보다 우선하여 출력하도록 학습될 수 있다.According to one embodiment, the third clothing transformation artificial intelligence model 4000, based on the clothing production history of the candidate clothing manufacturing factories, selects a candidate that has a different similarity with the clothing produced at one candidate clothing manufacturing factory and the selected 2D clothing drawing data. If it is higher than the clothing manufacturing factory and the similarity between the produced clothing and the selected 2D clothing drawing data is more than a predetermined degree, and if the production time at the candidate clothing manufacturing factory is earlier than the production time at the other candidate clothing manufacturing factories, the candidate clothing manufacturing factory is selected. It can be learned to output in priority over other candidate clothing manufacturing plants.

도 4는 일 실시예에 따라 제 1 의류 변환 인공지능 모델(2000) 및 제 2 의류 변환 인공지능 모델(3000)의 학습 과정을 설명하는 흐름도이다.Figure 4 is a flowchart explaining the learning process of the first clothing transformation artificial intelligence model (2000) and the second clothing transformation artificial intelligence model (3000) according to an embodiment.

3D 의류 학습데이터는 메타버스 또는 가상현실 서비스에서, 즉 온라인에서 제작 및 판매되는 의류에 대한 학습데이터로, 해당 의류에 대해 3차원 모델링으로 컴퓨터가 이해할 수 있는 다양한 형태의 모델링 데이터를 포함할 수 있다. 사용자 요청 학습데이터는 3D 의류 데이터를 2D 의류 도면 데이터로 변환하려는 사용자의 요청 사항 또는 노하우가 반영된 데이터로, 핏, 소재(원단), 의류 사이즈 등을 조정하기 위한 요청 사항 등을 포함할 수 있다. 2D 의류 도면 학습데이터는 3D 의류 데이터의 변환 과정에서 사용자 요청 데이터가 적용된 2D 의류 도면에 대한 데이터이다. 트렌드 분석 학습데이터는 3D 의류가 2D 의류 도면으로 변환되는 트렌드를 분석하기 위한 학습데이터로, 3D 의류가 2D 의류 도면으로 변환되는 과정에서, 의류 카테고리(상의, 하의, 아우터, 원피스, 스커트, 속옷, 양말, 레그웨어 등), 의류 색상, 의류 소재, 의류 사이즈(총장, 어깨, 가슴, 소매, 허리, 엉덩이, 허벅지, 밑위, 밑단 등) 등에 대한 변화 또는 트렌드 정보를 포함할 수 있다.3D clothing learning data is learning data about clothing produced and sold online in the metaverse or virtual reality service, and can include various types of modeling data that a computer can understand through 3D modeling of the clothing. . User-requested learning data is data that reflects the user's requests or know-how to convert 3D clothing data into 2D clothing drawing data, and may include requests to adjust fit, material (fabric), clothing size, etc. 2D clothing drawing learning data is data about 2D clothing drawings to which user requested data is applied during the conversion process of 3D clothing data. Trend analysis learning data is learning data for analyzing the trend of converting 3D clothing into 2D clothing drawings. In the process of converting 3D clothing into 2D clothing drawings, clothing categories (tops, bottoms, outerwear, dresses, skirts, underwear, Socks, legwear, etc.), clothing color, clothing material, clothing size (total length, shoulders, chest, sleeves, waist, hips, thighs, rise, hem, etc.), etc. may include change or trend information.

도 4를 참조하면, 제 1 의류 변환 인공지능 모델(2000)은 3D 의류 학습데이터 및 사용자 요청 학습데이터를 기초로 학습될 수 있다. 구체적으로, 전자장치(1000)는 의류 카테고리별로 3D 의류 학습데이터 및 사용자 요청 학습데이터를 매칭하고, 의류 카테고리별로 사용자의 요청 사항이 적합하게 반영된 후보 2D 의류 도면 데이터들을 출력하도록 제 1 의류 변환 인공지능 모델(2000)을 학습시킬 수 있다. 한편, 제 1 의류 변환 인공지능 모델(2000)이 학습되는 과정은 제 1 의류 변환 인공지능 모델(2000)을 수정 및 갱신하는 과정에서도 동일하게 적용될 수 있다.Referring to FIG. 4, the first clothing transformation artificial intelligence model (2000) can be trained based on 3D clothing learning data and user requested learning data. Specifically, the electronic device 1000 matches 3D clothing learning data and user requested learning data for each clothing category, and uses a first clothing conversion artificial intelligence to output candidate 2D clothing drawing data that appropriately reflects the user's request for each clothing category. Model (2000) can be trained. Meanwhile, the process of learning the first clothing transformation artificial intelligence model (2000) can be equally applied to the process of modifying and updating the first clothing transformation artificial intelligence model (2000).

도 4를 참조하면, 제 2 의류 변환 인공지능 모델(4000)은 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 기초로 학습될 수 있다. 구체적으로, 전자장치(1000)는 의류 카테고리별로 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 매칭하고, 의류 카테고리별로 3D 의류가 2D 의류 도면으로 변환되는 트렌드가 적합하게 반영된 2D 의류 도면 템플릿들을 출력하도록 제 2 의류 변환 인공지능 모델(3000)을 학습시킬 수 있다. 한편, 제 2 의류 변환 인공지능 모델(3000)이 학습되는 과정은 제 2 의류 변환 인공지능 모델(3000)을 수정 및 갱신하는 과정에서도 동일하게 적용될 수 있다.Referring to FIG. 4, the second clothing transformation artificial intelligence model 4000 can be trained based on 2D clothing drawing learning data and trend analysis learning data. Specifically, the electronic device 1000 matches 2D clothing drawing learning data and trend analysis learning data for each clothing category, and outputs 2D clothing drawing templates that appropriately reflect the trend of converting 3D clothing into 2D clothing drawings for each clothing category. The second clothing transformation artificial intelligence model (3000) can be trained. Meanwhile, the process of learning the second clothing transformation artificial intelligence model 3000 can be equally applied to the process of modifying and updating the second clothing transformation artificial intelligence model 3000.

도 5은 일 실시예에 따른 전자장치의 블록도이다.Figure 5 is a block diagram of an electronic device according to an embodiment.

도 5을 참조하면, 일 실시예에 따른 전자장치(1000)는 프로세서(510) 및 메모리(520)를 포함할 수 있다. 그러나 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 전자장치(1000)는 구현될 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 일 실시예에 따른 전자장치(1000)는 사용자 입력부(610), 통신부(620), 및 디스플레이(630)를 더 포함할 수도 있다.Referring to FIG. 5 , the electronic device 1000 according to one embodiment may include a processor 510 and a memory 520. However, not all illustrated components are essential components. The electronic device 1000 may be implemented with more components than the components shown, or may be implemented with fewer components. For example, as shown in FIG. 6, the electronic device 1000 according to one embodiment may further include a user input unit 610, a communication unit 620, and a display 630.

프로세서(510)는 메모리(520)내 하나 이상의 인스트럭션을 실행함으로써 전자장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(510)는 메모리(1402)에 저장된 하나 이상의 인스트럭션을 실행함으로써 사용자 입력부(610), 통신부(620), 디스플레이(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(510)는 메모리(520)에 저장된 하나 이상의 인스트럭션을 실행함으로써 도 1 내지 도 4와 관련하여 기술된 전자장치(1000)의 동작 및 기능을 수행할 수 있다.The processor 510 controls the overall operation of the electronic device 1000 by executing one or more instructions in the memory 520. For example, the processor 510 can generally control the user input unit 610, communication unit 620, display 630, etc. by executing one or more instructions stored in the memory 1402. Additionally, the processor 510 may perform the operations and functions of the electronic device 1000 described with reference to FIGS. 1 to 4 by executing one or more instructions stored in the memory 520.

프로세서(510)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능(AI) 전용 프로세서일 수 있다. 일 실시예에 따르면, 프로세서(510)가 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서로 구현될 때, 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서 중 적어도 일부는 전자장치(1000) 및 전자장치(1000)와 연결된 다른 전자장치 또는 서버에 탑재될 수도 있다.The processor 510 may be composed of one or more processors, and the one or more processors may include general-purpose processors such as CPUs, APs, digital signal processors (DSPs), and graphics-specific processors such as GPUs and vision processing units (VPUs). Or, it may be a processor dedicated to artificial intelligence (AI), such as an NPU. According to one embodiment, when the processor 510 is implemented with a plurality of processors, a graphics-only processor, or an artificial intelligence-only processor such as an NPU, at least some of the plurality of processors, a graphics-only processor, or an artificial intelligence-only processor such as an NPU are It may be mounted on the electronic device 1000 and other electronic devices or servers connected to the electronic device 1000.

일 실시예에 따르면, 프로세서(510)는 하나 이상의 인스트럭션을 실행함으로써, 3D 의류 데이터를 획득하고; 사용자 요청 데이터를 획득하고; 3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하고; 상기 제 1 의류 변환 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하고; 상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력하고; 그리고 상기 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력할 수 있다.According to one embodiment, processor 510 obtains 3D clothing data by executing one or more instructions; obtain user requested data; When 3D clothing data and user request data are input, the 3D clothing data and user request data are input into a first clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data, Obtaining candidate 2D clothing drawing data from the first clothing transformation artificial intelligence model; outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing transformation artificial intelligence model; Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, output candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data; And based on a user input for selecting one of the candidate 2D clothing drawing templates, the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied may be output.

다른 실시예에 따르면, 프로세서(510)가 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 2D 의류 도면 템플릿들을 출력하도록, 트렌드 분석 데이터를 획득하고; 그리고 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 의류 변환 인공지능 모델에, 상기 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 상기 제 2 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 템플릿들을 획득할 수 있다.According to another embodiment, the processor 510 executes one or more instructions to obtain trend analysis data to output the candidate 2D clothing drawing templates; And when the candidate 2D clothing drawing data and trend analysis data are input, the selected candidate 2D clothing drawing data and the second clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing templates according to the candidate 2D clothing drawing data and trend analysis data. By inputting the trend analysis data, candidate 2D clothing drawing templates can be obtained from the second clothing transformation artificial intelligence model.

또 다른 실시예에 따르면, 프로세서(510)는 하나 이상의 인스트럭션을 실행함으로써, 상기 선택된 후보 2D 의류 도면 템플릿 및 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 후보 2D 의류 도면 데이터를 상기 제 2 의류 변환 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공할 수 있다.According to another embodiment, the processor 510 executes one or more instructions to convert the selected candidate 2D clothing drawing template and the selected candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied into the second clothing conversion artificial process. It can be provided as feedback data for correction and update of the intelligence model.

또 다른 실시예에 따르면, 프로세서(510)는 하나 이상의 인스트럭션을 실행함으로써, 상기 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력할 수 있다.According to another embodiment, the processor 510 may output candidate clothing manufacturing factories based on the selected 2D clothing drawing data by executing one or more instructions.

또 다른 실시예에 따르면, 프로세서(510)는 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 의류 제조공장들을 출력하도록, 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델로부터 상기 적어도 하나의 후보 의류 제조공장들을 출력할 수 있다.According to another embodiment, the processor 510 executes one or more instructions to output the candidate clothing manufacturing factories. When 2D clothing drawing data is input, the processor 510 outputs candidate clothing manufacturing factories according to the 2D clothing drawing data. 3 By inputting the selected 2D clothing drawing data into the clothing conversion artificial intelligence model, the at least one candidate clothing manufacturing factory can be output from the third clothing conversion artificial intelligence model.

메모리(520)는 전자장치(1000)의 동작을 제어하기 위한 하나 이상의 인스트럭션을 포함할 수 있다. 메모리(520)는 전자장치(1000)가 이용하는 인공지능 모델들, 예를 들어 제 1 의류 변환 인공지능 모델(2000), 제 2 의류 변환 인공지능 모델(3000), 및 제 3 의류 변환 인공지능 모델(4000)을 포함할 수 있다. The memory 520 may include one or more instructions for controlling the operation of the electronic device 1000. The memory 520 includes artificial intelligence models used by the electronic device 1000, such as the first clothing transformation artificial intelligence model (2000), the second clothing transformation artificial intelligence model (3000), and the third clothing transformation artificial intelligence model. It may include (4000).

일 실시 예에 따르면, 메모리(520)는 예를 들어, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으나, 이에 제한되지 않는다.According to one embodiment, the memory 520 is, for example, a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (e.g. For example, SD or -Only Memory), may include at least one type of storage medium among magnetic memory, magnetic disk, and optical disk, but is not limited thereto.

사용자 입력부(610)는 전자장치(1000)의 동작을 제어하기 위한 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(610)는, 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. The user input unit 610 may receive user input for controlling the operation of the electronic device 1000. For example, the user input unit 610 includes a key pad, a dome switch, and a touch pad (contact capacitive type, pressure resistance type, infrared detection type, surface ultrasonic conduction type, red It may include, but is not limited to, a mathematical tension measurement method, a piezo effect method, etc.), a jog wheel, a jog switch, etc.

통신부(620)는 서버(5000)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(620)는, 근거리 통신부 또는 이동 통신부 중 적어도 하나를 포함할 수 있다.The communication unit 620 may include one or more communication modules for communication with the server 5000. For example, the communication unit 620 may include at least one of a short-range communication unit or a mobile communication unit.

근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 제한되는 것은 아니다. The short-range wireless communication unit includes a Bluetooth communication unit, BLE (Bluetooth Low Energy) communication unit, Near Field Communication unit, WLAN (Wi-Fi) communication unit, Zigbee communication unit, and infrared (IrDA) communication unit. Data Association) communication department, WFD (Wi-Fi Direct) communication department, UWB (ultra wideband) communication department, Ant+ communication department, etc., but is not limited thereto.

이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.The mobile communication unit transmits and receives wireless signals to at least one of a base station, an external terminal, and a server on a mobile communication network. Here, the wireless signal may include various types of data according to voice call signals, video call signals, or text/multimedia message transmission and reception.

디스플레이(630)는 전자장치(1000)에서 처리되는 정보를 표시 출력할 수 있다. 예를 들어, 디스플레이(630)는 전자장치(1000)의 제어를 위한 인터페이스, 전자장치(1000)의 상태 표시를 위한 인터페이스 등을 디스플레이할 수 있다.The display 630 can display and output information processed by the electronic device 1000. For example, the display 630 may display an interface for controlling the electronic device 1000, an interface for displaying the status of the electronic device 1000, etc.

도 7은 또 다른 실시예에 따른 서버의 블록도이다.Figure 7 is a block diagram of a server according to another embodiment.

일 실시예에 따르면, 전자장치(1000)가 수행하는 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 전자장치(1000)에 연결되어 통신 가능한 서버(5000)에서 수행될 수 있다.According to one embodiment, a method of creating an application using a recommended template provided based on an artificial intelligence model performed by the electronic device 1000 may be performed on the server 5000 that is connected to the electronic device 1000 and capable of communication. .

서버(5000)는 통신 인터페이스(5100), 데이터 베이스(5200), 및 프로세서(5300)를 포함할 수 있다. 예를 들어, 본 개시에 따른 서버(5000)의 통신 인터페이스(5100)는 전자장치(1000)의 통신부(620)에 대응될 수 있고, 서버(5000)의 데이터베이스(5200)는 전자장치(1000)의 메모리(510)에 대응될 수 있고, 서버(5000)의 프로세서(5300)는 전자장치(1000)의 프로세서(510)에 대응될 수 있다. 또한, 서버(5000)의 프로세서(4300)는 도 1 내지 4와 관련하여 기술된 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법을 수행할 수 있다.The server 5000 may include a communication interface 5100, a database 5200, and a processor 5300. For example, the communication interface 5100 of the server 5000 according to the present disclosure may correspond to the communication unit 620 of the electronic device 1000, and the database 5200 of the server 5000 may correspond to the communication unit 620 of the electronic device 1000. may correspond to the memory 510 of , and the processor 5300 of the server 5000 may correspond to the processor 510 of the electronic device 1000. Additionally, the processor 4300 of the server 5000 may perform a method of converting 3D clothing data into 2D clothing drawing data based on the artificial intelligence model described in relation to FIGS. 1 to 4.

이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.Although embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and may be modified and implemented in various ways without departing from the technical spirit of the present invention. there is. Accordingly, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but are for illustrative purposes, and the scope of the technical idea of the present invention is not limited by these embodiments. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. Various modifications and improvements made by those skilled in the art using the basic concept of the present disclosure as defined in the following claims also fall within the scope of the present disclosure.

Claims (14)

전자장치가 의류 변환 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하는 방법에 있어서,
3D 의류 데이터를 획득하는 단계;
사용자 요청 데이터를 획득하는 단계;
3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하는 단계;
상기 제 1 의류 변환 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하는 단계;
상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력하는 단계; 및
상기 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력하는 단계; 를 포함하고,
상기 후보 2D 의류 도면 템플릿들을 출력하는 단계는,
트렌드 분석 데이터를 획득하는 단계; 및
후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 의류 변환 인공지능 모델에, 상기 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 상기 제 2 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 템플릿들을 획득하는 단계; 를 포함하고,
상기 후보 2D 의류 도면 템플릿들은 2D 의류 도면 데이터의 수정에 대한 다양한 선택지를 제공하기 위해 출력되어 상기 선택된 2D 의류 도면 데이터에 적용가능한 템플릿이고,
상기 트렌드 분석 데이터는 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 작업 이력으로부터 의류 카테고리 별로 의류 색상, 의류 소재, 및 의류 사이즈 중 적어도 하나에 대해 서로 상이한 제 1 기간과 제 2 기간 사이의 변화에 대한 정보를 포함하고,
상기 제 2 의류 변환 인공지능 모델은, 2D 의류 도면 데이터로 변환 대상이 되는 3D 의류 데이터의 메타버스 플랫폼 상에서 판매량 또는 사용량을 고려하여, 메타버스 플랫폼 상에서 판매량 또는 사용량이 많은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 일 작업 이력을 메타버스 플랫폼 상에서 판매량 또는 사용량이 적은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 다른 작업 이력보다 높은 가중치를 적용하여 학습된, 방법.
In a method where an electronic device converts 3D clothing data into 2D clothing drawing data based on a clothing conversion artificial intelligence model,
Obtaining 3D clothing data;
Obtaining user requested data;
When 3D clothing data and user request data are input, the 3D clothing data and user request data are input into a first clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data, Obtaining candidate 2D clothing drawing data from the first clothing transformation artificial intelligence model;
outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing transformation artificial intelligence model;
Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, outputting candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data; and
Based on a user input of selecting one of the candidate 2D clothing drawing templates, outputting the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied; Including,
The step of outputting the candidate 2D clothing drawing templates is,
Obtaining trend analysis data; and
When candidate 2D clothing drawing data and trend analysis data are input, the selected candidate 2D clothing drawing data and the second clothing conversion artificial intelligence model output candidate 2D clothing drawing templates according to the candidate 2D clothing drawing data and trend analysis data. Obtaining candidate 2D clothing drawing templates from the second clothing conversion artificial intelligence model by inputting trend analysis data; Including,
The candidate 2D clothing drawing templates are templates that are output and applicable to the selected 2D clothing drawing data to provide various options for modifying the 2D clothing drawing data,
The trend analysis data is a change between a different first period and a second period for at least one of clothing color, clothing material, and clothing size for each clothing category from the work history in which 3D clothing data has been converted to 2D clothing drawing data. contains information,
The second clothing conversion artificial intelligence model considers the sales or usage volume on the Metaverse platform of 3D clothing data to be converted into 2D clothing drawing data, and converts 3D clothing data with high sales or usage on the Metaverse platform into 2D clothing drawing data. A method in which work history converted into data is learned on the Metaverse platform by applying a higher weight to 3D clothing data with low sales or usage than other work history converted to 2D clothing drawing data.
삭제delete 제 1 항에 있어서,
상기 제 2 의류 변환 인공지능 모델은, 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 기초로 학습되는, 방법.
According to claim 1,
The second clothing transformation artificial intelligence model is learned based on 2D clothing drawing learning data and trend analysis learning data.
제 3 항에 있어서,
상기 선택된 후보 2D 의류 도면 템플릿 및 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 후보 2D 의류 도면 데이터를 상기 제 2 의류 변환 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계; 를 더 포함하는, 방법.
According to claim 3,
Providing the selected candidate 2D clothing drawing template and the selected candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied as feedback data for correction and update of the second clothing transformation artificial intelligence model; A method further comprising:
제 1 항에 있어서,
상기 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력하는 단계; 를 더 포함하는, 방법.
According to claim 1,
outputting candidate clothing manufacturing factories based on the selected 2D clothing drawing data; A method further comprising:
제 5 항에 있어서,
상기 후보 의류 제조공장들을 출력하는 단계는,
2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델로부터 상기 적어도 하나의 후보 의류 제조공장들을 출력하는 단계; 를 포함하는, 방법.
According to claim 5,
The step of outputting the candidate clothing manufacturing factories is,
When 2D clothing drawing data is input, the selected 2D clothing drawing data is input into a third clothing conversion artificial intelligence model that outputs a candidate clothing manufacturing factory according to the 2D clothing drawing data, thereby converting the selected 2D clothing drawing data from the third clothing conversion artificial intelligence model. outputting at least one candidate clothing manufacturing factory; Method, including.
제 6 항에 있어서,
제 3 의류 변환 인공지능 모델은 2D 의류 도면 학습데이터 및 의류 제조공장 이력 학습데이터를 기초로 학습되는, 방법.
According to claim 6,
The third clothing transformation artificial intelligence model is learned based on 2D clothing drawing learning data and clothing manufacturing factory history learning data.
의류 변환 인공지능 모델 기반으로 3D 의류 데이터를 2D 의류 도면 데이터로 변환하기 위한 전자장치에 있어서,
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
3D 의류 데이터를 획득하고;
사용자 요청 데이터를 획득하고;
3D 의류 데이터 및 사용자 요청 데이터가 입력되면 3D 의류 데이터 및 사용자 요청 데이터에 따른 후보 2D 의류 도면 데이터들을 출력하는 제 1 의류 변환 인공지능 모델에, 상기 3D 의류 데이터 및 상기 사용자 요청 데이터를 입력함으로써, 상기 제 1 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 데이터들을 획득하고;
상기 제 1 의류 변환 인공지능 모델로부터 획득된 상기 후보 2D 의류 도면 데이터들 중 적어도 하나의 후보 2D 의류 도면 데이터를 출력하고;
상기 적어도 하나의 후보 2D 의류 도면 데이터 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 데이터에 적용가능한, 후보 2D 의류 도면 템플릿들을 출력하고; 그리고
상기 후보 2D 의류 도면 템플릿들을 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 2D 의류 도면 데이터를 출력하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 2D 의류 도면 템플릿들을 출력하도록,
트렌드 분석 데이터를 획득하고; 그리고
후보 2D 의류 도면 데이터 및 트렌드 분석 데이터가 입력되면, 후보 2D 의류 도면 데이터 및 트렌드 분석 데이터에 따른 후보 2D 의류 도면 템플릿들을 출력하는 제 2 의류 변환 인공지능 모델에, 상기 선택된 후보 2D 의류 도면 데이터 및 상기 트렌드 분석 데이터를 입력함으로써, 상기 제 2 의류 변환 인공지능 모델로부터 후보 2D 의류 도면 템플릿들을 획득하고,
상기 후보 2D 의류 도면 템플릿들은 2D 의류 도면 데이터의 수정에 대한 다양한 선택지를 제공하기 위해 출력되어 상기 선택된 2D 의류 도면 데이터에 적용가능한 템플릿이고,
상기 트렌드 분석 데이터는 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 작업 이력으로부터 의류 카테고리 별로 의류 색상, 의류 소재, 및 의류 사이즈 중 적어도 하나에 대해 서로 상이한 제 1 기간과 제 2 기간 사이의 변화에 대한 정보를 포함하고,
상기 제 2 의류 변환 인공지능 모델은, 2D 의류 도면 데이터로 변환 대상이 되는 3D 의류 데이터의 메타버스 플랫폼 상에서 판매량 또는 사용량을 고려하여, 메타버스 플랫폼 상에서 판매량 또는 사용량이 많은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 일 작업 이력을 메타버스 플랫폼 상에서 판매량 또는 사용량이 적은 3D 의류 데이터가 2D 의류 도면 데이터로 변환된 다른 작업 이력보다 높은 가중치를 적용하여 학습된, 전자장치.
In an electronic device for converting 3D clothing data into 2D clothing drawing data based on a clothing conversion artificial intelligence model,
A memory that stores one or more instructions; and
At least one processor executing the one or more instructions,
The processor executes the one or more instructions,
Acquire 3D clothing data;
obtain user requested data;
When 3D clothing data and user request data are input, the 3D clothing data and user request data are input into a first clothing conversion artificial intelligence model that outputs candidate 2D clothing drawing data according to the 3D clothing data and user request data, Obtaining candidate 2D clothing drawing data from the first clothing transformation artificial intelligence model;
outputting at least one candidate 2D clothing drawing data among the candidate 2D clothing drawing data obtained from the first clothing transformation artificial intelligence model;
Based on a user input for selecting one of the at least one candidate 2D clothing drawing data, output candidate 2D clothing drawing templates applicable to the selected candidate 2D clothing drawing data; and
Based on a user input of selecting one of the candidate 2D clothing drawing templates, output the selected 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied,
The processor executes the one or more instructions to output the candidate 2D clothing drawing templates,
Obtain trend analysis data; and
When candidate 2D clothing drawing data and trend analysis data are input, the selected candidate 2D clothing drawing data and the second clothing conversion artificial intelligence model output candidate 2D clothing drawing templates according to the candidate 2D clothing drawing data and trend analysis data. By inputting trend analysis data, candidate 2D clothing drawing templates are obtained from the second clothing transformation artificial intelligence model,
The candidate 2D clothing drawing templates are templates that are output and applicable to the selected 2D clothing drawing data to provide various options for modifying the 2D clothing drawing data,
The trend analysis data is a change between a different first period and a second period for at least one of clothing color, clothing material, and clothing size for each clothing category from the work history in which 3D clothing data has been converted to 2D clothing drawing data. contains information,
The second clothing conversion artificial intelligence model considers the sales or usage volume on the Metaverse platform of 3D clothing data to be converted into 2D clothing drawing data, and converts 3D clothing data with high sales or usage on the Metaverse platform into 2D clothing drawing data. An electronic device that learns work history converted into data by applying a higher weight to it than other work history where 3D clothing data with low sales or usage is converted to 2D clothing drawing data on the Metaverse platform.
삭제delete 제 8 항에 있어서,
상기 제 2 의류 변환 인공지능 모델은, 2D 의류 도면 학습데이터 및 트렌드 분석 학습데이터를 기초로 학습되는, 전자장치.
According to claim 8,
The second clothing transformation artificial intelligence model is an electronic device that is learned based on 2D clothing drawing learning data and trend analysis learning data.
제 8 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 선택된 후보 2D 의류 도면 템플릿 및 상기 선택된 후보 2D 의류 도면 템플릿이 적용된 상기 선택된 후보 2D 의류 도면 데이터를 상기 제 2 의류 변환 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는, 전자장치.
According to claim 8,
The processor executes the one or more instructions,
An electronic device that provides the selected candidate 2D clothing drawing template and the selected candidate 2D clothing drawing data to which the selected candidate 2D clothing drawing template is applied as feedback data for correction and update of the second clothing transformation artificial intelligence model.
제 8 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 선택된 2D 의류 도면 데이터에 기초하여, 후보 의류 제조공장들을 출력하는, 전자장치.
According to claim 8,
The processor executes the one or more instructions,
An electronic device that outputs candidate clothing manufacturing factories based on the selected 2D clothing drawing data.
제 12 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 후보 의류 제조공장들을 출력하도록, 2D 의류 도면 데이터가 입력되면, 2D 의류 도면 데이터에 따른 후보 의류 제조공장을 출력하는 제 3 의류 변환 인공지능 모델에, 상기 선택된 2D 의류 도면 데이터를 입력함으로써, 상기 제 3 의류 변환 인공지능 모델로부터 상기 적어도 하나의 후보 의류 제조공장들을 출력하는, 전자장치.
According to claim 12,
When 2D clothing drawing data is input, the processor executes the one or more instructions to output the candidate clothing manufacturing factories. To a third clothing transformation artificial intelligence model that outputs candidate clothing manufacturing factories according to the 2D clothing drawing data, An electronic device that outputs the at least one candidate clothing manufacturing factory from the third clothing transformation artificial intelligence model by inputting the selected 2D clothing drawing data.
제 13 항에 있어서,
제 3 의류 변환 인공지능 모델은 2D 의류 도면 학습데이터 및 의류 제조공장 이력 학습데이터를 기초로 학습되는, 전자장치.
According to claim 13,
The third clothing transformation artificial intelligence model is an electronic device that is learned based on 2D clothing drawing learning data and clothing manufacturing factory history learning data.
KR1020230087034A 2023-07-05 2023-07-05 Method and apparatus for converting 3d clothing data based on artificial intelligence model KR102626945B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230087034A KR102626945B1 (en) 2023-07-05 2023-07-05 Method and apparatus for converting 3d clothing data based on artificial intelligence model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230087034A KR102626945B1 (en) 2023-07-05 2023-07-05 Method and apparatus for converting 3d clothing data based on artificial intelligence model

Publications (1)

Publication Number Publication Date
KR102626945B1 true KR102626945B1 (en) 2024-01-18

Family

ID=89716075

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230087034A KR102626945B1 (en) 2023-07-05 2023-07-05 Method and apparatus for converting 3d clothing data based on artificial intelligence model

Country Status (1)

Country Link
KR (1) KR102626945B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210030178A (en) * 2019-09-09 2021-03-17 권수희 Method, apparatus and program for fashion trend prediction based on integrated analysis of image and text
KR102318952B1 (en) * 2021-03-31 2021-10-27 임정현 Artificial intelligence-based recommendation and purchase method, device and system
KR20210158002A (en) * 2020-06-23 2021-12-30 강선희 Apparatus and method for textile design 3d modeling
KR102457277B1 (en) * 2022-07-08 2022-10-21 주식회사 미드라인 Method and apparatus for transmitting information on sample order based on information on clothing design using a neural network by a server
KR20220151488A (en) * 2021-05-06 2022-11-15 엔에이치엔클라우드 주식회사 Network server and method to provide data associated with fashion trend
KR20230037151A (en) * 2021-09-09 2023-03-16 주식회사 로우클래식 Method of formating automatic pattern thereof for clothes design

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210030178A (en) * 2019-09-09 2021-03-17 권수희 Method, apparatus and program for fashion trend prediction based on integrated analysis of image and text
KR20210158002A (en) * 2020-06-23 2021-12-30 강선희 Apparatus and method for textile design 3d modeling
KR102318952B1 (en) * 2021-03-31 2021-10-27 임정현 Artificial intelligence-based recommendation and purchase method, device and system
KR20220151488A (en) * 2021-05-06 2022-11-15 엔에이치엔클라우드 주식회사 Network server and method to provide data associated with fashion trend
KR20230037151A (en) * 2021-09-09 2023-03-16 주식회사 로우클래식 Method of formating automatic pattern thereof for clothes design
KR102457277B1 (en) * 2022-07-08 2022-10-21 주식회사 미드라인 Method and apparatus for transmitting information on sample order based on information on clothing design using a neural network by a server

Similar Documents

Publication Publication Date Title
CN111418198B (en) Electronic device for providing text-related image and method of operating the same
US10970523B2 (en) Terminal and server for providing video call service
CN107995428A (en) Image processing method, device and storage medium and mobile terminal
US11853901B2 (en) Learning method of AI model and electronic apparatus
JP2021507421A (en) System reinforcement learning methods and devices, electronic devices and computer storage media
CN110807477B (en) Attention mechanism-based neural network garment matching scheme generation method and system
KR102429572B1 (en) Method, device and system for recommending custom clothing and stylingbased on artificial intelligence
KR102461863B1 (en) System and method for recommending personalized styling
KR20230169016A (en) Electronic apparatus and controlling method thereof
CN112529151A (en) Data processing method and device
KR102626945B1 (en) Method and apparatus for converting 3d clothing data based on artificial intelligence model
CN114882305A (en) Image key point detection method, computing device and computer-readable storage medium
KR102230507B1 (en) Method, apparatus and system for providing fashion product manufacturing platform service
CN117669688A (en) Label inference in split learning defense
CN112446166B (en) Material recommendation system and material recommendation method
KR102671314B1 (en) Methods, devices and systems for automating the planning and design work process of fashion products by concept and designer
WO2022034879A1 (en) Three-dimensional person model creation device and program
KR102325298B1 (en) Control method for non-face-to-face secretarial matching systems by business field
KR102669575B1 (en) Method and apparatus for optimizing customized marketing funnel based on artificial intelligence model
US11941586B2 (en) System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes
US12020215B2 (en) System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes
KR102671422B1 (en) Device and method for placing classroom placements using student personality and grade data and machine learning technology
US12020214B2 (en) System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes
KR102510049B1 (en) Federated learning-based system providing customized content
KR102662214B1 (en) Method for recommend jewerly products containing pearls based on the user's personal preferences

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant