AI 패션 디자인

AI 생성 및 매칭 파이프라인

1. 입력 (DIY UI & Sketch)

STEP 1
1. 입력 DIY UI & Sketch
  • 텍스트, 스케치 또는 [카라/소매/패턴] 방식으로 직관적 간편 입력

2. 생성 (StarGAN v2 + SDXL)

STEP 2
2. 생성 StarGAN v2 + SDXL
  • 사용자의 다차원적 의도를 반영한 [고화질 실사] 이미지 자동 생성 (FID 84.81)

3. 분류 및 매칭 (Mask R-CNN + DenseNet)

STEP 3
3. 분류 및 매칭 Mask R-CNN + DenseNet
  • 생성된 이미지 속성 정밀 분류 (F1-Score 0.90) 및 [무신사] 실물 데이터 매칭
Multi-Domain 변환 (DIY UI)

사용자가 카라, 소매, 패턴컬러 등 세부 디자인 요소를 직접 선택하고 자유롭게 조합할 수 있습니다.

Sketch to Real (스케치 기반 고해상도 렌더링)

디자이너의 단순 핸드 드로잉이나 스케치 라인을 실제 원단 질감과 봉제선이 반영된 실사 수준의 고해상도 의류 이미지로 즉각 렌더링합니다.

데이터 구축 현황

패션 의류 이미지 데이터

데이터 규모 약 36,000장
  • 가상 생성 정밀 학습 확보를 위한 양질의 의류 원본 이미지 데이터셋 정형화 완료

세부 아이템 이미지 데이터

데이터 규모 약 8,000장
  • 의류 내부 세부 속성 위치 정보(Crop) 및 특징 분류 데이터셋 정밀 구축

메타데이터 파일

메타파일 약 44,000개
  • 이미지별 세부 속성값(칼라, 핏, 소재 등)을 정의하는 대규모 메타파일 최종 완비

추가 크롤링 리소스

원천 소스 파이프라인 약 100,000장
  • 개방형 데이터 크롤링 수집기 기반 상시 원천 소스 공급 파이프라인 구축

모델 평가 현황

이미지 분류 정확도

성능 지표 F1-Score 0.90
  • 패션 이미지 분류 모델의 정밀 성능 평가에서 F1-Score 0.90을 달성했습니다.

아이템 생성 품질

품질 검증 지표 FID 84.81
  • 자체 개발 AI 모델을 통해 패션 아이템 이미지 생성 품질을 검증했습니다.

데이터셋 분할 검증

데이터 비율 60% : 20% : 20%
  • 전체 데이터를 Train 60% · Validation 20% · Test 20%로 엄격히 구분하여 학습과 평가에 활용했습니다.

이커머스 실제 상품 매칭

실제 상품 자동 연동

  • 특징 벡터 분석
  • 유사도 매칭
  • 스케치로부터 자동 생성된 렌더링 피칭 이미지의 특징 벡터와 실제 상품 데이터를 유사도 기반으로 매칭합니다.

무신사(Musinsa) 유통망 매칭

  • 국내 대표 플랫폼
  • 실시간 검색
  • 국내 대표 패션 플랫폼인 무신사 등 온라인 유통 상품 데이터와 유사도 기반 매칭하여 화면에 출력합니다.

신속한 의사결정 지원

  • 기획 시간 단축
  • 원자재 수급 예측
  • 가상 시안이 어떤 실제 제품군과 유사하며 원단 자재가 어떻게 활용될지 미리 판단하여 기획 시간을 크게 감축합니다.

실무 적용성 검증 Before/After

구분 기존 수작업 방식 노스텍 솔루션 도입
검색 수작업 탐색 ➔ AI 이미지 검색 · 매칭
소요 시간 2~3일 소요 ➔ 30초 이내
정확도 경험 · 주관 의존 ➔ 유사도 기반 정량 분석
생산 연계 이미지 · 상품 분절 ➔ N-MES 연계