Wirtualna przymierzalnia ubrań w sklepach internetowych

Dla startupu zajmującego się innowacjami technologicznymi zbudowaliśmy rozwiązanie dedykowane branży modowej. Można je łatwo integrować z większością platform, dlatego świetnie wpisuje się w potrzeby nowoczesnego rynku z branży e-commerce. Jest dedykowane klientom indywidualnym którzy chcą przymierzyć ubranie przed jego zakupem i dostawą.

Obecnie branża e-commerce mierzy się z wyzwaniem jakim jest przyjmowanie dużej ilości zwrotów. Proces ponownej wysyłki jest kosztowny i czasochłonny. Dlatego potrzebne było stworzenie narzędzia, które zmniejszy prawdopodobieństwo zwrotu przymierzonej odzieży, poprawiając współczynnik konwersji i obniżając koszty.

Największym wyzwaniem było zbudowanie takiego produktu, który odwzoruje realistyczny wygląd ludzi i przymierzanych ubrań.  Im dokładniej taki model zostanie wykonany, tym częściej będą z niego korzystać użytkownicy aplikacji.

Cały proces składał się z poniższych etapów tworzenia modelu: 

1. Określiliśmy wraz z klientem cel projektu, zarówno biznesowo jak i technicznie

Celem było opracowanie rozwiązania opartego na wielu modelach przy założeniu, że dane były dostępne na sylwetce użytkownika.

2. Zebraliśmy i wyodrębniliśmy odpowiednie dane

Na tym etapie wyodrębniliśmy odpowiednie cechy osoby i ubrania.

3. Zintegrowane dane wykorzystaliśmy do tworzenia modelu.

Wykorzystując zebrane dane w postaci konkretnych cech, stworzyliśmy realistyczną wizualizację awatara użytkownika w przymierzanych ubraniach.

4. Wdrożenie modelu i przetestowanie go w różnych warunkach.

Aby użytkownik mógł jak najlepiej ocenić przymierzane ubrania, rozwiązanie przedstawia wizualizację w różnych pozach awatara.

W trakcie tego procesu zastosowaliśmy m.in. takie technologie, jak: 

• DensePose — strategia polega na szacowaniu gęstej pozycji człowieka poprzez dzielenie powierzchni. I dla każdego piksela określamy, do jakiej części powierzchni należy, gdzie się znajduje w parametryzacji 2D, której części odpowiada. Po prawej stronie pokazano podział powierzchni i „zgodność z punktem na części”.
• Segmentacja (Computer Vision) – Dzieliliśmy obraz na wiele segmentów lub obiektów należących do tej samej klasy. To zadanie grupowania opierało się na określonych kryteriach, na przykład kolorze lub fakturze.
• Coordinate Completion Model — Wykorzystaliśmy model, który generuje kod na podstawie już napisanego kodu. Do uzupełniania kodu jest obsługiwany przez API generowania kodu.
• GAN (Generacyjne sieci przeciwstawne) do modelowania generatywnego z wykorzystaniem metod głębokiego uczenia się, takich jak splotowe sieci neuronowe. Umożliwia to uczenie się prawidłowości lub wzorców w danych wejściowych w taki sposób, że model można wykorzystać do wygenerowania lub przedstawienia nowych przykładów, które można było wyciągnąć z oryginalnego zbioru danych.

Zdołaliśmy uzyskać wizualizacje przymierzanej odzieży w wysokiej rozdzielczości, w tym reprodukcje nadruków i innych elementów dekoracyjnych.