Google: 时尚与人工智能相遇

如果您看不到或想象自己穿着一件衣服，就很难知道它是否适合您。有多少次你在网上买了一件东西，当它送到你家门口时兴奋地打开盒子，冲上去试穿，然后……困惑地盯着镜子？它可能以您意想不到的方式垂坠。或者在您身上看起来与在在线模型上看起来完全不同。

本周，google将在 Google.com 上发布一项新的购物功能，旨在为人们提供更有用的在线购物体验。虚拟试穿 (VTO) 在具有不同体型和尺寸的真实模特身上生成栩栩如生的服装写照。这些图像包括那些微妙但至关重要的细节，例如某些东西如何悬垂、折叠、紧贴、拉伸和皱纹——所有这些都具有为 VTO 开发的新生成 AI 模型的强大功能。

购物者只需选择一件他们感兴趣的服装，然后选择一个款式，瞧，他们已经看到试穿了。

“VTO 是在线购物向前迈出的激动人心的一步，尤其是在显然需要更多代表性的服装领域，”购物产品经理 Shyam Sunder 说。“服装是谷歌搜索最多的购物类别之一，因此对人们和品牌的帮助潜力巨大。统计数据显示了一个明确的需求：42% 的在线购物者觉得模特图片无法代表他们，59% 的人对他们在网上购买的商品感到不满意，因为它看起来与他们预期的不一样。”

从一开始，该团队就想为购物者提供一系列可以解决这个问题的模型。“当我们在网络上搜索服装时，当涉及到穿着这些衣服的模特时，我们会发现结果差异很小，”Shyam 说。“我记得一个例子，50 张图片中只有四张是有色人种。所以问题是，即使我们想在购物中显示不同的图像，我们也做不到，因为网络上没有足够的图像。这是我热切想要解决的问题。”

因此，该团队创建了他们自己的资料库，其中包含 80 个代表多种尺寸、肤色、身高、年龄和性别的模特，以便在 Google 上购物的人可以选择他们最感兴趣的模特，并查看衣服穿在身上的效果。

“一个关键问题是如何在每个模型上自动生成任何服装，”购物研究科学家 Ira Kemelmacher-Shlizerman 说。“人们研究类似技术已经有一段时间了，但最终的图像从来没有完全达到目标——它们存在视觉缺陷，比如错位的褶皱，使衣服看起来畸形和不自然。所以我们给自己设定了一个挑战：创造一种方法，可以为任何体型和体形的人合成逼真的高质量图像。这就是生成人工智能的用武之地。”

该团队转向了 VTO 的文本到图像模型，该模型能够从文本输入创建高度逼真的图像。尤其重要的是一种称为扩散的技术，该技术会逐渐将噪声添加到照片中，并训练神经网络去除这些噪声像素。

对于 VTO，该团队没有使用单一的扩散网络和大型语言模型（如在文本到图像中使用的那样），而是创建了一种称为并行 U-net 的新架构，它接受两幅图像：人物图像和服装图像。每张图片都通过自己的神经网络——U-net——同时通过称为“交叉注意力”的过程进一步相互交流。“结果是惊人的，”艾拉说。“我们的用户研究表明，我们的方法比最先进的方法有很大的优势——超过 95% 的时间。”

该团队使用 Google 的 Shopping Graph 对新的 AI 模型进行严格训练，这是世界上最全面的产品、卖家、品牌、评论和库存数据集。他们使用数百万对图像来训练模型，每对图像都包括一个穿着衣服的人以两种不同的姿势。人工智能模型学习将一个姿势的衬衫形状与另一个姿势的人相匹配，反之亦然，直到它可以从各个角度生成该人穿着衬衫的逼真图像。

在一个例子中，试穿结果似乎比原来的衣服颜色更亮。该团队对这些类型的示例进行了数天的审议，但最终决定在发布时谨慎行事，当出现任何此类错误时，删除在模型上虚拟试穿服装的选项。随着他们从用户和品牌那里得到反馈，他们将继续做出调整。“为生成图像发明全自动评估仍然是一个悬而未决的问题，我们正在积极努力，”艾拉说。

如今，Google Shopping Graph 上数百个品牌和零售商的女装上衣均可试穿，包括 Anthropologie、LOFT、H&M 和 Everlane。随着时间的推移，该工具将变得更加精确并扩展到更多品牌。到目前为止，品牌反响非常积极。

“当我们让他们了解这项技术时，我们收到了一些很好的反馈，并且也非常渴望参与，”Shyam 说。“他们中的一些人非常喜欢它，他们要求使用这项技术来支持他们自己的网站。”