TrendGen: An Outfit Recommendation and Display System

1. Planteamiento del Problema

El artículo identifica varios desafíos críticos en la aplicación de la Inteligencia Artificial al sector de la moda en entornos de producción reales:

• Calidad de datos inconsistentes: Las imágenes de productos en plataformas de comercio electrónico a menudo presentan iluminación variable, ángulos no ideales, fondos complejos y oclusiones (por ejemplo, pelo o extremidades del modelo).
• Limitaciones de los enfoques actuales: Los sistemas existentes suelen depender de imágenes de productos "vestidas" por humanos (con modelos) o descripciones de texto crudas. Las descripciones de texto contienen detalles no esenciales que reducen la eficacia de las recomendaciones, y las imágenes con modelos introducen distracciones visuales.
• Falta de diversidad: Los métodos de recomendación anteriores tienden a sugerir combinaciones estéticamente agradables pero repetitivas, ignorando la frecuencia con la que un artículo aparece en sugerencias previas, lo que limita la variedad para el consumidor.
• Brecha investigación-producción: Muchos estudios se basan en conjuntos de datos curados bajo condiciones controladas, fallando al abordar la complejidad y la robustez requeridas en un entorno de producción real.

2. Metodología

TrendGen es un sistema integral que consta de tres módulos principales interconectados:

A. Motor de Atribución de Productos (Product Attribution Engine)

• Objetivo: Extraer atributos estructurados (categoría, color, tipo de dobladillo, longitud de manga, etc.) a partir de imágenes de prendas vestidas y títulos de productos.
• Tecnología: Utiliza Fashion-CLIP, una adaptación del modelo CLIP para moda, que genera embeddings multimodales (imagen + texto).
• Arquitectura: Se emplea un clasificador basado en capas totalmente conectadas (Dense layers) con activación PReLU y Dropout (0.5) para prevenir el sobreajuste. El sistema combina las características visuales y textuales en un espacio de embedding compartido para predecir múltiples atributos con alta precisión.

B. Modelo de Probación Virtual (Virtual Try-Off)

• Objetivo: Transformar imágenes de prendas vestidas por humanos (con modelos) en vistas "tumbadas" o planas (lay-down views) de alta calidad, eliminando al modelo humano y el fondo.
• Tecnología: Se basa en un Modelo de Difusión Latente (LDM), específicamente una variante de inpainting de Stable Diffusion v1.5.
• Proceso:
  • Se utiliza una máscara binaria de la prenda para guiar la generación, eliminando la necesidad de prompts de texto.
  • El modelo se fine-tunea utilizando pares de imágenes: entrada (prenda vestida + máscara) y objetivo (prenda tumbada).
  • Se utiliza un U-Net denoising. Los experimentos mostraron que fine-tunear solo los bloques de transformadores del U-Net ofrece el mejor equilibrio entre rendimiento y coste computacional.

C. Motor de Recomendación de Conjuntos (Outfit Recommendation Engine)

• Objetivo: Generar conjuntos completos y cohesivos basados en compatibilidad estética y diversidad.
• Arquitectura:
  • Embeddings Multimodales: Combina las imágenes generadas (vistas planas) y los atributos extraídos mediante Fashion-CLIP para crear representaciones de 1024 dimensiones.
  • TripleNet: Una red neuronal entrenada con Triplet Loss (pérdida de tripleta) que aprende la compatibilidad entre artículos de diferentes categorías (ej. parte superior vs. inferior). Utiliza ejemplos positivos (compatibles) y negativos (incompatibles), donde estos últimos se seleccionan cuidadosamente siguiendo reglas de expertos (ej. evitar múltiples prendas multicolor).
  • Algoritmo STYLERANK: Para garantizar la diversidad, el sistema no solo clasifica por similitud estética, sino que penaliza la repetición. Utiliza un algoritmo que combina la distancia en el espacio de embeddings (k-NN) con un contador de apariciones históricas de cada producto, ajustando el ranking final para ofrecer tres conjuntos distintos por producto.

3. Contribuciones Clave

1. Sistema de Atribución Preciso: Propone un sistema de atribución multimodal que supera a los enfoques tradicionales (CNN + NLP separados) al integrar imagen y texto en un espacio compartido.
2. Modelo de Difusión para Probación Virtual: Presenta un modelo LDM optimizado para convertir imágenes de modelos en vistas planas de alta resolución, eliminando distracciones y mejorando la entrada para el motor de recomendación.
3. Motor de Recomendación Diverso: Introduce un enfoque que equilibra la compatibilidad estética con la frecuencia de aparición de los productos, evitando la repetición de sugerencias mediante el algoritmo STYLERANK.
4. Validación en Producción: A diferencia de muchos trabajos académicos, el sistema se ha desplegado en una plataforma de comercio electrónico real, validando su eficacia con datos del mundo real.

4. Resultados

El sistema fue evaluado tanto cualitativa como cuantitativamente en datos de producción y conjuntos de datos públicos (VITON-HD):

• Atribución de Productos: El sistema propuesto (FashionCLIP + Clasificador) alcanzó una precisión del 92.3% en la clasificación de atributos, superando significativamente a FashionCLIP puro (73.8%) y a la combinación ResNet + Mxbai (89.1%). La precisión en la clasificación de divisiones (ej. Parte superior, Inferior) fue del 99.6%.
• Probación Virtual: El modelo superó a métodos de referencia como TryOffDiff y MGT en métricas clave de fidelidad visual, logrando el mejor puntaje en DISTS (21.01) y LPIPS (17.22), indicando una mayor fidelidad perceptual y estructural en las imágenes generadas.
• Recomendación de Conjuntos:
  • La precisión de la recomendación alcanzó el 91.3% cuando se utilizaron imágenes planas y atributos estructurados, comparado con el 75.2% del estado del arte OutfitTransformer y el 79.8% cuando se usaron imágenes crudas.
  • La inclusión del algoritmo STYLERANK fue crucial para mejorar la diversidad sin sacrificar la calidad estética.
• Impacto Comercial (A/B Testing): En un periodo de tres meses en una plataforma mayorista, el sistema desplegado generó:
  • +6.60% en Ingresos por Visita (RPV).
  • +6.62% en Margen Neto por Visita (NMPV).
  • +5.61% en Tasa de Conversión (CVR).
  • +8.2% en Tasa de Clics (CTR).

5. Significado e Impacto

El trabajo de TrendGen es significativo por varias razones:

• Puente entre Investigación y Práctica: Demuestra cómo superar las limitaciones de los datos "sucios" del mundo real mediante un pipeline de preprocesamiento robusto (generación de vistas planas y atribución estructurada).
• Mejora de la Experiencia de Usuario: Al proporcionar vistas claras de las prendas y conjuntos diversos y personalizados, reduce la incertidumbre del comprador, lo que se traduce directamente en mayores ventas y engagement.
• Eficiencia Operativa: El uso de modelos de difusión fine-tuneados y arquitecturas optimizadas permite un despliegue eficiente en hardware comercial, a diferencia de soluciones anteriores que requerían recursos computacionales prohibitivos.
• Validación de Valor de Negocio: El artículo no solo presenta métricas técnicas, sino que cuantifica el retorno de inversión (ROI) directo, demostrando que la IA generativa y de recomendación puede impulsar el crecimiento de los márgenes y las ventas en el comercio electrónico de moda.