💻 computer science

TrendGen: An Outfit Recommendation and Display System

Das Paper stellt TrendGen vor, ein auf Generativer KI basierendes System für eine große E-Commerce-Plattform, das durch die Umwandlung von Rohbildern in hochwertige flache Ansichten und die Generierung trendgerechter Outfit-Empfehlungen die Online-Einkaufserfahrung im Modebereich verbessert.

Ursprüngliche Autoren: Theodoros Koukopoulos, Dimos Klimenof, Ioannis Xarchakos

Veröffentlicht 2026-03-31

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Theodoros Koukopoulos, Dimos Klimenof, Ioannis Xarchakos

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🧥 TrendGen: Der digitale Mode-Coach und Bild-Zauberer

Stell dir vor, du betrittst einen riesigen, chaotischen Kleiderschrank. Du hast ein schönes Hemd in der Hand, aber du weißt nicht, welche Hose oder Schuhe dazu passen. Außerdem ist das Hemd auf dem Foto, das du hast, schief, das Licht ist schlecht und im Hintergrund steht noch ein Model, das ablenkt. Das ist das Problem, das viele Online-Shops haben.

TrendGen ist wie ein super-intelligenter Mode-Coach, der drei magische Fähigkeiten hat, um dieses Chaos zu ordnen:

1. Der „Übersetzer" (Produkt-Attribution)

Stell dir vor, du zeigst einem Roboter ein Foto eines T-Shirts und sagst: „Das ist ein cooles Ding." Der Roboter versteht das nicht genau.
TrendGen schaut sich das Bild und den Titel an und übersetzt sie in eine klare Liste von Merkmalen. Es sagt nicht nur „T-Shirt", sondern: „Rot, aus Baumwolle, mit Rundhalsausschnitt, kurze Ärmel, passt zur Kategorie 'Oberteile'".

Die Analogie: Es ist wie ein Dolmetscher, der die unscharfe Sprache der Bilder und Texte in eine präzise, maschinenlesbare Sprache übersetzt, damit der Computer genau weiß, was er hat.

2. Der „Magische Bild-Zauberer" (Virtual Try-Off)

Normalerweise sehen Kleidungsfotos im Shop oft so aus, als wären sie auf einem Menschen getragen (mit Kopf, Armen und einem unruhigen Hintergrund). Das ist schwer zu vergleichen.
TrendGen nimmt dieses Foto und zaubert den Menschen weg. Es legt das Kleidungsstück virtuell flach auf den Boden, glättet alle Falten und entfernt den Hintergrund.

Die Analogie: Stell dir vor, du hast ein Foto von einem Kuchen, der auf einem Teller steht, auf dem noch ein Mensch sitzt. TrendGen ist wie ein Zauberstab, der den Menschen verschwinden lässt und den Kuchen perfekt zurechtgerückt auf einem weißen Teller präsentiert. So kann man die Muster und die Form des Stoffes wirklich gut sehen.

3. Der „Stil-Experte" (Outfit Recommendation)

Jetzt hat TrendGen saubere Bilder und genaue Daten. Aber was passt zusammen?
Frühere Systeme waren wie ein Schüler, der immer die gleichen Sätze lernt und bei jeder Frage die gleiche Antwort gibt. TrendGen ist wie ein erfahrener Stylist. Er schaut sich an, was du magst, und schlägt drei verschiedene Outfits vor, damit es nicht langweilig wird.

Die Analogie: Stell dir vor, du fragst einen Koch nach einem Rezept. Ein schlechter Koch gibt dir immer das gleiche Gericht. TrendGen ist wie ein Koch, der sagt: „Hier ist ein klassisches Gericht, hier ist etwas Exotisches und hier ist etwas für den schnellen Hunger." Er sorgt dafür, dass du nicht immer das Gleiche bekommst, aber alles schmeckt (also gut aussieht).

🚀 Was bringt das alles?

Das System läuft bereits in einem echten Online-Shop. Die Ergebnisse sind beeindruckend:

Mehr Umsatz: Die Leute kaufen mehr, weil sie sich sicherer fühlen, was sie kaufen.
Bessere Bilder: Die Kleidung sieht auf den Fotos viel sauberer und professioneller aus.
Glücklichere Kunden: Die Vorschläge sind vielfältig und passen wirklich zusammen.

Zusammengefasst: TrendGen nimmt das Chaos aus dem Online-Mode-Shop, macht aus schlechten Fotos perfekte Produktbilder und hilft dir, Outfits zu finden, die nicht nur gut aussehen, sondern auch wirklich zusammenpassen – wie ein persönlicher Stylist, der nie schläft und nie müde wird.

1. Problemstellung

Die Modeindustrie steht vor der Herausforderung, die enorme Menge an Rohdaten (Bilder von getragener Kleidung, Textbeschreibungen) für KI-gestützte Empfehlungssysteme nutzbar zu machen. Herkömmliche Ansätze scheitern oft an realen Bedingungen:

Qualitätsmängel: Bilder von getragener Kleidung (Human-worn) enthalten oft ablenkende Elemente wie Modelle, unruhige Hintergründe, schlechte Beleuchtung, unvorteilhafte Winkel oder Verdeckungen (z. B. durch Haare oder Gliedmaßen).
Inkonsistente Daten: Produktbeschreibungen enthalten oft irrelevante Details, die für das Erstellen von Outfits nicht hilfreich sind.
Fehlende Standardisierung: Empfehlungssysteme benötigen saubere, flach ausgebreitete („lay-down") Bilder und strukturierte Attribute, um ästhetisch kohärente Kombinationen zu lernen.
Mangelnde Vielfalt: Bestehende Systeme neigen dazu, dieselben beliebten Artikel in verschiedenen Outfits zu wiederholen, was die Vielfalt für den Nutzer einschränkt.

2. Methodik

TrendGen ist ein umfassendes KI-System, das in drei Hauptmodulen unterteilt ist, um diese Probleme zu lösen:

A. Produkt-Attributions-Engine (Product Attribution Engine)

Ziel: Extraktion strukturierter Merkmale (z. B. Kategorie, Farbe, Ärmellänge, Saumtyp) aus Rohbildern und Produkttiteln.
Technologie: Nutzung von Fashion-CLIP (eine an die Modebranche angepasste Version von CLIP), um multimodale Embeddings aus Bild und Text zu generieren.
Architektur: Ein Klassifikator mit vollvernetzten Schichten (Dense Layers), Parametric ReLU (PReLU) und Dropout-Layern, der auf den Fashion-CLIP-Embeddings trainiert wird. Dies ermöglicht eine präzise Kategorisierung, die reine Bild- oder reine Textmodelle übertrifft.

B. Virtuelles Anprobieren / Lay-Down-Generierung (Virtual Try-Off)

Ziel: Umwandlung von Bildern getragener Kleidung in hochwertige, flach ausgebreitete („lay-down") Ansichten ohne Modell und Hintergrund.
Technologie: Einsatz eines Latent Diffusion Model (LDM), basierend auf der Inpainting-Variante von Stable Diffusion v1.5.
Prozess:
- Statt Text-Prompts wird eine Stoffmaske (Cloth Mask) verwendet, um das Zielkleidungsstück zu lokalisieren.
- Das Modell wird feinabgestimmt (Fine-Tuning) auf Paare aus „getragener Kleidung" (Input) und „flach ausgebreiteter Kleidung" (Target), unter Verwendung des VITON-HD-Datensatzes und proprietärer Daten.
- Nur die Transformer-Blöcke des U-Net werden feinabgestimmt, um die beste Balance zwischen Leistung und Recheneffizienz zu erreichen.

C. Outfit-Empfehlungs-Engine (Outfit Recommendation Engine)

Ziel: Generierung kohärenter Outfits basierend auf den aufbereiteten Lay-Down-Bildern und Attributen.
Embedding: Kombination der visuellen (Lay-Down-Bild) und textuellen (Attribute) Features zu einem 1024-dimensionalen Vektor.
Lernmodell: Ein TripleNet mit Triplet-Loss, das lernt, ästhetisch kompatible Artikel (Positive) näher im Embedding-Raum zu bringen und inkompatible (Negative) weiter zu entfernen.
- Negative Sample Mining: Nutzt Expertenwissen, um unrealistische Kombinationen (z. B. mehrere mehrfarbige Teile) als Negative zu markieren.
Diversifizierungsalgorithmus (STYLERANK):
- Um Wiederholungen zu vermeiden, wird eine Rangliste basierend auf der ästhetischen Kompatibilität (k-NN) und der Häufigkeit des Auftretens in früheren Empfehlungen erstellt.
- Ein Steuerparameter $\lambda$ balanciert Kompatibilität und Vielfalt, um sicherzustellen, dass das System nicht immer dieselben Artikel vorschlägt.

3. Hauptbeiträge

Präzises Attributions-System: Ein multimodaler Ansatz, der Fashion-CLIP mit einem benutzerdefinierten Klassifikator kombiniert, um 99,6 % Genauigkeit bei der Klassifizierung von Kleidungsgruppen (Tops, Bottoms etc.) zu erreichen.
State-of-the-Art Virtual Try-Off: Ein diffusion-basiertes Modell, das speziell für die Generierung von Lay-Down-Bildern optimiert ist und Masken statt Text-Prompts verwendet, um höhere Bildqualität und Konsistenz zu erreichen.
Vielfalt-optimierter Empfehlungsalgorithmus: Die Einführung von STYLERANK, der ästhetische Ähnlichkeit mit der historischen Häufigkeit von Artikeln kombiniert, um diverse Outfits zu generieren.
End-to-End Evaluierung: Eine umfassende Analyse aller Komponenten auf proprietären Produktionsdaten, die die Effektivität des gesamten Systems im realen Einsatz zeigt.

4. Ergebnisse

Die Evaluation erfolgte auf proprietären Daten (ca. 15.000 annotierte Produkte, 24.568 Bilder für Try-Off, 25.000 Outfits) und öffentlichen Datensätzen (VITON-HD).

Attribution: Das vorgeschlagene System erreichte eine Gesamtgenauigkeit von 92,3 % (im Vergleich zu 73,8 % bei reinem Fashion-CLIP und 89,1 % bei getrennten CNN/NLP-Modellen).
Virtual Try-Off: Das Modell übertraf bestehende Methoden wie TryOffDiff und MGT in den wichtigsten Metriken für Bildqualität und strukturelle Ähnlichkeit, insbesondere bei DISTS (21,01 vs. 23,0 bei TryOffDiff) und LPIPS (17,22 vs. 32,4).
Empfehlungsqualität:
- Mit Lay-Down-Bildern und Attributen erreichte das System eine Genauigkeit von 91,3 % (bewertung durch Mode-Experten).
- Zum Vergleich: OutfitTransformer (Baseline) erreichte 75,2 %, und die Verwendung von Rohbildern ohne Vorverarbeitung nur 79,8 %.
- Die Einführung von STYLERANK erhöhte die wahrgenommene Vielfalt erheblich.
Geschäftlicher Impact (A/B-Testing): Nach dem Live-Gang auf einer großen E-Commerce-Plattform wurden folgende Verbesserungen verzeichnet:
- Revenue Per Visit (RPV): +6,60 %
- Conversion Rate (CVR): +5,61 %
- Click-Through Rate (CTR): +8,2 %
- Die Profitmarge blieb stabil, was zeigt, dass der Umsatzanstieg nicht durch Rabatte erkauft wurde.

5. Bedeutung

TrendGen demonstriert, wie KI-Systeme erfolgreich von reinen Forschungsprototypen in skalierbare Produktionslösungen überführt werden können.

Technologische Innovation: Die Kombination aus multimodalen Embeddings, Diffusion-Modellen für Bildtransformation und einem diversifizierten Ranking-Algorithmus setzt neue Maßstäbe für Mode-KI.
Praktische Relevanz: Das System adressiert direkt die Pain Points des E-Commerce (schlechte Bildqualität, mangelnde Inspiration) und liefert messbare geschäftliche Ergebnisse.
Skalierbarkeit: Durch die Optimierung der Modelle (z. B. Fine-Tuning nur bestimmter Schichten) ist das System effizient genug für den Einsatz auf Standard-Hardware, was eine breite Adoption ermöglicht.

Zusammenfassend stellt TrendGen einen bedeutenden Fortschritt dar, der die Lücke zwischen theoretischer Computer-Vision-Forschung und praktischer Anwendung im Mode-Einzelhandel schließt.