����������������������������������������������������������������������������������

 

 

An�lisis de T�cnicas y Modelos en la Virtualizaci�n de Prendas de Ropa: M�todos Actuales y Desaf�os en el Ajuste de Probadores Virtuales

 

Analysis of Techniques and Models in the Virtualization of Clothing: Current Methods and Challenges in the Adjustment of Virtual Fitting Rooms

 

An�lise de T�cnicas e Modelos na Virtualiza��o de Pe�as de Vestu�rio: M�todos Atuais e Desafios na Adapta��o de Provadores Virtuais

 

 

 

 

 

 

 

 

 

 

Correspondencia: diego.caceres@espoch.edu.ec

 

Ciencias de la Comunicaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 20 de junio de 2024 *Aceptado: 06 de julio de 2024 * Publicado: �16 de agosto de 2024

 

        I.            Magister en Evaluaci�n y Auditor�a de Sistemas Tecnol�gicos, Ingeniero en Sistemas, Escuela Superior Polit�cnica de Chimborazo, Sede Morona Santiago, Riobamba, Ecuador.

      II.            Mag�ster en Seguridad Telem�tica, M�ster Universitario en Direcci�n y Gesti�n de Tecnolog�a de la Informaci�n, Ingeniera en Electr�nica Telecomunicaciones y Redes, Escuela Superior Polit�cnica de Chimborazo, Sede Morona Santiago, Riobamba, Ecuador.

    III.            Mag�ster en Interconectividad de Redes, Ingeniero en Sistemas Inform�ticos, Escuela Superior Polit�cnica de Chimborazo sede Morona Santiago, Riobamba, Ecuador.

    IV.            Mag�ster en Matem�tica B�sica, Ingeniero en Sistemas, Escuela Superior Polit�cnica de Chimborazo, Sede Morona Santiago. Riobamba, Ecuador.

Resumen

Este art�culo presenta un an�lisis completo de la adopci�n de modelos de aprendizaje profundo en el �mbito de los probadores virtuales de moda. El estudio examina c�mo pueden aplicarse estas tecnolog�as avanzadas para optimizar la experiencia de compra en l�nea, desde los m�todos tradicionales hasta las �ltimas innovaciones en inteligencia artificial.

Se examina la aplicaci�n de modelos de Deep learning al modelado de ropa en entornos virtuales, destacando como estos modelos permiten una representaci�n m�s precisa y realista de la ropa en el cuerpo del usuario. Se analizan diversas metodolog�as y herramientas que se han desarrollado para adaptar la ropa a la postura y personalidad del usuario, as� como aplicaciones m�viles que facilitan la compra virtual.

Tambi�n se analizan los �ltimos avances en redes generativas y algoritmos afines que han mejorado notablemente la capacidad de segmentar, redimensionar y reconstruir im�genes de ropa de forma m�s detallada y realista. Adem�s, se analizan los principales retos a los que se enfrentan los modelos actuales, como la adaptaci�n a situaciones complejas y la necesidad de generar im�genes de alta calidad.

Este an�lisis proporciona informaci�n sobre c�mo los modelos de Deep learning est�n transformando los probadores virtuales, as� como las tendencias futuras y las posibles mejoras en este campo emergente de la moda digital.

Palabras clave: Inteligencia artificial; Moda digital; Entornos virtuales.

 

Abstract

This article presents a comprehensive analysis of the adoption of deep learning models in the field of virtual fashion fitting rooms. The study examines how these advanced technologies can be applied to optimize the online shopping experience, from traditional methods to the latest innovations in artificial intelligence.

The application of deep learning models to clothing modeling in virtual environments is examined, highlighting how these models allow for a more accurate and realistic representation of clothing on the user's body. Various methodologies and tools that have been developed to adapt clothing to the user's posture and personality are analyzed, as well as mobile applications that facilitate virtual shopping.

The latest advances in generative networks and related algorithms that have significantly improved the ability to segment, resize and reconstruct clothing images in a more detailed and realistic way are also analyzed. In addition, the main challenges faced by current models are analyzed, such as adapting to complex situations and the need to generate high-quality images. This analysis provides insights into how deep learning models are transforming virtual fitting rooms, as well as future trends and potential improvements in this emerging field of digital fashion.

Keywords: Artificial intelligence; Digital fashion; Virtual environments.

 

Resumo

Este artigo apresenta uma an�lise abrangente da ado��o de modelos de aprendizagem profunda na �rea dos provadores virtuais de moda. O estudo examina como estas tecnologias avan�adas podem ser aplicadas para otimizar a experi�ncia de compra online, desde os m�todos tradicionais at� �s mais recentes inova��es em intelig�ncia artificial.

� examinada a aplica��o de modelos de Deep Learning � modelagem de vestu�rio em ambientes virtuais, destacando-se como estes modelos permitem uma representa��o mais precisa e realista do vestu�rio no corpo do utilizador. S�o analisadas diversas metodologias e ferramentas que t�m sido desenvolvidas para adaptar a roupa � postura e personalidade do utilizador, bem como aplica��es m�veis que facilitam as compras virtuais.

S�o tamb�m discutidos os �ltimos avan�os em redes generativas e algoritmos relacionados, que melhoraram significativamente a capacidade de segmentar, redimensionar e reconstruir imagens de vestu�rio de forma mais detalhada e realista. Al�m disso, s�o analisados ​​os principais desafios enfrentados pelos modelos atuais, como a adapta��o a situa��es complexas e a necessidade de gerar imagens de alta qualidade.

Esta an�lise fornece informa��es sobre como os modelos de aprendizagem profunda est�o a transformar os provadores virtuais, bem como as tend�ncias futuras e as potenciais melhorias neste campo emergente da moda digital.

Palavras-chave: Intelig�ncia artificial; Moda digital; Ambientes virtuais.

 

 

 

Introducci�n

Con los avances tecnol�gicos y la creciente demanda de soluciones digitales, los vestidores virtuales est�n ganando popularidad y relevancia en la industria de la moda y el comercio electr�nico. Dise�adas con modelos avanzados de inteligencia artificial, estas salas virtuales representan un avance significativo en la forma en que los consumidores interact�an con los productos.� La tecnolog�a permite a los usuarios probarse ropa de manera virtual, sin tener que visitar una tienda f�sica, revolucionando la experiencia de compra y abriendo nuevas posibilidades en la forma de presentar y vender la moda.

El desarrollo de tecnolog�as de equipos virtuales ha sido impulsado por la necesidad de proporcionar una experiencia m�s inmersiva y c�moda para los usuarios. A medida que evolucionan las expectativas de los consumidores, tambi�n lo hacen las herramientas y tecnolog�as dise�adas para satisfacer esas demandas. Los equipos virtuales no solo facilitan la compra de ropa desde cualquier lugar, sino que tambi�n ayudan a reducir las devoluciones y mejorar la satisfacci�n del cliente al permitir una visualizaci�n m�s precisa del ajuste y el estilo de las prendas.

El prop�sito de este art�culo es brindar un an�lisis detallado de las t�cnicas y modelos utilizados en la virtualizaci�n de prendas de vestir. Se explorar�n las tecnolog�as y herramientas emergentes que abordan los desaf�os asociados con la adaptaci�n virtual, enfoc�ndose en c�mo estas innovaciones est�n transformando la industria de la moda. La investigaci�n pretende responder preguntas clave como: �Qu� tecnolog�as se utilizan para virtualizar las prendas? �Cu�les son los principales obst�culos que enfrentan los modelos para representar eficazmente entornos virtuales?

Para llevar a cabo este an�lisis se realizar� una revisi�n exhaustiva de la literatura existente, evaluando los m�todos y modelos m�s utilizados en diferentes escenarios de virtualizaci�n de ropa. Se revisar�n estudios de casos anteriores para analizar los resultados en t�rminos de precisi�n, efectividad y posibles fallas. Este enfoque integral permitir� una evaluaci�n cr�tica de la efectividad de las cabinas de prueba virtuales en su fase de desarrollo, identificando �reas de mejora y posibles oportunidades para avanzar en esta tecnolog�a.

Este art�culo est� estructurado de modo que cada secci�n aborda aspectos clave del an�lisis de las tecnolog�as de virtualizaci�n. Primero, se presenta una revisi�n detallada de la literatura para analizar las tecnolog�as actualmente disponibles en el mercado. Tras profundizar en la motivaci�n detr�s del estudio, se destaca la importancia y el impacto de estas tecnolog�as en la industria. Finalmente se realiza un an�lisis completo de cada modelo, evaluando su precisi�n en la caracterizaci�n y segmentaci�n de la ropa virtual.

El an�lisis no s�lo proporciona una visi�n completa del estado actual de la tecnolog�a de virtualizaci�n de prendas de vestir, sino que tambi�n proporciona informaci�n valiosa sobre c�mo mejorar la experiencia del cliente y optimizar los procesos en el entorno digital. Los resultados de esta investigaci�n tienen el potencial de influir en la forma en que las empresas integran estas tecnolog�as en sus estrategias de comercializaci�n, mejorando as� la eficiencia operativa y la satisfacci�n del usuario final.

 

Contexto

A continuaci�n, se presentan una revisi�n de diversas investigaciones bibliogr�ficas que detallan aspectos espec�ficos relacionadas con la problem�tica de la investigaci�n, centrada en el an�lisis de diferentes algoritmos de deep learning implementados para los probadores de ropa virtuales. Estas investigaciones fueron seleccionadas a partir de una b�squeda en las bases de datos acad�micas como Google Scholar, Scopus, SciELO y se clasificaron de acuerdo con su relevancia y aparici�n en las principales journals cient�ficas

Tuan, Thai Thanh and Minar, Matiur Rahman and Ahn, Heejune and Wainwright, John [1] relatan que se presenta un modelo 3D-MPVTON que utiliza el m�todo de reconstrucci�n de ropa 3D basado en CloTH-VTON para muchas im�genes experimentales. A diferencia de los m�todos anteriores que utilizaban tecnolog�a de deformaci�n 2D que no podr�an adaptarse a la deformaci�n de diferentes tipos de ropa necesarios para cada imagen, 3D-MPVTON muestra una alta capacidad para producir un resultado natural que crea diferentes formas. El estudio muestra que la reconstrucci�n de la fuerza de la ropa en 3D en CloTH-VTON puede proporcionar resultados m�s realistas en t�rminos de deformaci�n de la ropa en comparaci�n con 3D-MPVTON, lo que resulta en una mayor deformaci�n de la ropa en diversas situaciones. Este art�culo tambi�n destaca la importancia de la precisi�n en la segmentaci�n de objetivos y el mapeo de formas textiles en modelos 3D, presentando m�todos de capacitaci�n innovadores y mapeando los pasos necesarios para lograr resultados de pruebas en l�nea de alta calidad. Los experimentos realizados en el conjunto de datos MPV muestran que 3D-MPVTON produce tejidos m�s realistas con diferentes tratamientos en comparaci�n con MG- VTON y CloTH-VTON+.

A pesar de estos avances, 3D-MPVTON, al igual que Cloth- VTON+ en su forma independiente, esta� limitado en el proceso de producci�n de prendas en 3D y en los programas de transferencia de im�genes y modelos de clientes. Se necesita m�s investigaci�n para aplicar este modelo a diferentes tipos de ropa, como medias y faldas, y para reproducir los pliegues y arrugas de la ropa que se usa en el cuerpo humano.

Shah, Kshitij and Pandey, Mridul and Patki, Sharvesh and Shankarmani, Radha [2] relata que el aumento de los ingresos y los cambios en el estilo de vida de la clase media est�n revolucionando el comercio minorista, sobre todo en los centros comerciales. A medida que crece la poblaci�n, aumenta la demanda de ropa en estos centros. Para hacer frente a este problema, se cre� una aplicaci�n para m�viles Android que utiliza OpenCV y TensorFlow Lite y que permite a los clientes probarse virtualmente la ropa sin necesidad de comprar prendas grandes. Esta app ofrece una experiencia de compra r�pida, sencilla y precisa.

Yao, Jinliang and Zheng, Haonan [3]. En esta redacci�n se menciona el m�todo mediante el cual busca que los clientes puedan elegir ropa en l�nea permitiendo adaptarse a posturas complejas. Donde mediante el uso de m�todos como VITON- HD para lo que corresponde segmentar las prendas de la persona, donde se resalta cada prenda que dispone el modelo de imagen en 2D. Permitiendo al modelo LC-VTON capturar dicha segmentaci�n y redimensionar la nueva prenda a colocar en la misma pose y estructura. Permitiendo devolver como resultado una imagen del modelo con la nueva prenda colocada implementando segmentaci�n y caracterizaci�n.

Minar, Matiur Rahman and Tuan, Thai Thanh and Ahn, Heejune [4]. En este art�culo, los autores presentan CloTH- VTON+, una soluci�n completamente autom�tica de prueba virtual de ropa basada en im�genes, dise�ada para la moda. Su trabajo anterior, CloTH-VTON, hab�a propuesto un m�todo de reconstrucci�n de ropa en 3D a partir de una sola imagen de la prenda, permitiendo la aplicaci�n de deformaciones en 3D. Partiendo de la base de CloTH-VTON, desarrollaron una tuber�a totalmente autom�tica para la reconstrucci�n de ropa en 3D a partir de una imagen �nica, utilizando la regi�n de segmentaci�n de ropa objetivo-generada por la red de segmentaci�n propuesta.

Las pruebas realizadas con el conjunto de datos VITON demostraron que CloTH-VTON+ maneja mejor los casos de prueba virtual para personas con diversas poses y ropa de manga larga en comparaci�n con los m�todos 2D anteriores. Aunque se enfocan en aplicaciones de prueba virtual de ropa para poses fijas, el m�todo central de deformaci�n de ropa tambi�n puede aplicarse a aplicaciones de m�ltiples poses y videos.

Sin embargo, reconocen que el rango de aplicaci�n del m�todo propuesto para la reconstrucci�n y deformaci�n de ropa en 3D a�n est� limitado a prendas m�s simples y ajustadas. Por lo tanto, el siguiente paso de este estudio ser� ampliar el m�todo para incluir ropa suelta o conjuntos de m�ltiples capas complejas. Adem�s, en este art�culo, se destaca un enfoque h�brido que combina las fortalezas de las redes neuronales y las tecnolog�as de gr�ficos por computadora. Los autores creen que la tecnolog�a emergente de redes neuronales graficas podr�a integrar ambas tecnolog�as en un dominio unificado.

Islam, Tasin and Miron, Alina and Liu, Xiaohui and Li, Yongmin� [5].� En� esta revisi�n, los autores han clasificado los modelos de prueba virtual basados en deep learning en tres categor�as seg�n su funcionalidad: basados en im�genes, multiposes y video. Para cada una de estas categor�as, se han proporcionado ejemplos exhaustivos de modelos y se han resumido sus detalles t�cnicos y contribuciones. Tambi�n se han identificado similitudes en cuanto a los m�todos utilizados por los investigadores.

Adem�s, se ha examinado los conjuntos de datos empleados por estos modelos, incluyendo el n�mero de im�genes/videos y sus resoluciones. Se ha observado que los investigadores tienden a realizar comparaciones cualitativas al comparar las im�genes sintetizadas con trabajos previos. Adicionalmente, llevan a cabo evaluaciones cuantitativas utilizando diversas m�tricas y conjuntos de datos de referencia.

Se han discutido las debilidades de los modelos de prueba virtual basados en deep learning, como la incapacidad para preservar las caracter�sticas y texturas de la ropa y las dificultades para aplicar la prenda al cuerpo de la persona. Tambi�n se ha abordado el sesgo en los conjuntos de datos, que en su mayor�a presentan im�genes de mujeres posando frente a un fondo blanco con una diversidad limitada de ropa. Esto puede afectar negativamente la capacidad del modelo para manejar tipos de prendas menos comunes.

Finalmente, se ha examinado c�mo las pruebas virtuales afectan los atributos y factores que conducen a la satisfacci�n del cliente. Se ha demostrado que los investigadores destacan los beneficios que los clientes pueden disfrutar, lo que tambi�n reduce las devoluciones y optimiza las tasas de conversi�n para las empresas.

Yu, Li and Zhong, Yueqi and Wang, Xin [6]. En este art�culo, se relata c�mo proponen una red de prueba virtual para la implementaci�n basada en I-VTON. El cu�l permite a los usuarios probarse ropa seleccionada. Transformando y adaptando seg�n la necesidad del usuario. Donde este modelo extrae las caracter�sticas por separado de la ropa y del usuario. Considerando que este modelo est� en un procedimiento con resultado incompleto ya que tiene una tasa de perdida alta ante los resultados.

Hwangbo, Hyunwoo and Kim, Eun Hie and Lee, So- Hyun and Jang, Young Jae [7]. Este estudio ha revelado tres hallazgos clave a trav�s del desarrollo de la prueba virtual y el an�lisis de sus efectos en los resultados de ventas. En primer lugar, se ha creado un modelo 3D virtual que refleja de manera m�s detallada el tama�o y tipo basados en las medidas del cliente, lo que lo hace m�s realista y natural. En segundo lugar, los clientes respondieron positivamente a este servicio. El hallazgo m�s significativo es que la tasa de devoluciones disminuy� en un 27 % gracias a este servicio. Se utilizaron los datos consolidados de ventas netas de clientes de Lucky Chouette, una l�nea de ropa casual femenina de Kolon FnC, desde el 1 de junio hasta el 13 de agosto de 2017. Se examinaron un total de 105 SKUs de estilos S/S 2017, y 8,058 clientes utilizaron el servicio de prueba virtual. Durante este periodo de 2.5 meses, se realizaron 11,029 transacciones.

Sin embargo, este estudio tiene varias implicaciones para investigadores y profesionales. En primer lugar, contribuye a nuestra comprensi�n de la relaci�n completa entre la prueba virtual, las ventas reales y la experiencia del cliente, y estima los efectos reales de las ventas mediante miner�a de datos. En segundo lugar, contribuye a la investigaci�n de sistemas de informaci�n (IS) al utilizar datos de clientes para estudiar los efectos de un servicio de prueba virtual en los resultados de ventas. La investigaci�n previa carec�a de un examen de los efectos de una prueba virtual en las ventas con datos reales de clientes. En tercer lugar, en esta investigaci�n, se entrevist� a los clientes del servicio de prueba virtual bas�ndose en la investigaci�n cualitativa como una forma de extraer los conceptos para utilizar el servicio de prueba virtual. Estos conceptos extra�dos se aplicaron a la teor�a del valor del cliente para interpretar y explicar la experiencia de los clientes.

Este estudio tambi�n tiene implicaciones pr�cticas para el uso de los servicios de prueba virtual. A medida que aumenta el inter�s en el servicio de prueba virtual, muchas empresas de moda intentan adoptar este servicio. Este estudio puede proporcionar directrices para las empresas que ampl�an su negocio al comercio en l�nea y para aquellas que planifican y operan el servicio de prueba virtual. Debido a la tendencia de la reticencia al contacto f�sico debido a la COVID-19 junto con el desarrollo de la tecnolog�a de la informaci�n, las actividades de comercio en l�nea de servicios sin contacto est�n en auge. De acuerdo con esta tendencia y el comportamiento de consumo, este estudio no solo mejora la conveniencia y el nivel de satisfacci�n de los consumidores, sino que tambi�n contribuye al aumento de beneficios de los minoristas en l�nea.

Ma, Hui and Hu, Zhuhua and Zheng, Yan [8]. Este art�culo propone un modelo de prueba virtual con caracter�sticas de rendimiento mejoradas. Mediante el uso de un bloque residual mejorado de redes de compresi�n y excitaci�n (SENet) y un bloque de codificaci�n de estilo representado por el bloque Pyramid Squeeze Attention (PSA), mediante el cual el modelo enriquece la informaci�n de contenido y estilo, mejora la capacidad de representaci�n de caracter�sticas y la imagen reconstruida conserva m�s detalles.

Jin, Hyun-Woo and Kang, Dong-Oh [9]. Mediante este art�culo se detalla como la implementaci�n de IA, permite solventar la necesidad de solventar las necesidades en el mercado actual. Donde detalla sobre la mayor�a de las investigaciones se basan en la implementaci�n de VTON, el cual permite segmentar y cambiar partes de una imagen, adaptando a las necesidades. Donde adem�s define que este es un problema debido a la provisi�n limitada de im�genes para el conjunto de datos, permitiendo de esta forma limitar un instante al modelo mediante el cual se har� el try on. Considerando como VTON, uno de los modelos indispensables para solventar las mediciones cuantitativas y experimentales.

Mishra, Achintya and Kaintura, Shubhanshu and Yadav, Yogesh Singh and Joshi, Vishal and Vaidya, Himadri and Ka- pruwan, Akanksha [10]. Relatan en su art�culo que el principal objetivo del estudio corresponde ser determinar y explorar el impacto de las redes generativas adversariales. Mediante las cuales se consideran un factor de gran ayuda para la industria de la moda. Donde trata de unir la inteligencia artificial, con la vida cotidiana. Permitiendo agregar lo que corresponde un modelo conocido como GAN. El cual mediante el uso de Machine Learning y Computer Vision. Donde esto aborda que existen obst�culos muy grandes en la industria de la moda hacia un futuro atractivo y personalizado.

Song, Yang and Zhang, Jianming and Wang, Zhijian [11]. Mediante el siguiente art�culo se detalla c�mo se ha realizado pruebas basadas en im�genes las cuales se consideran una gran base de datos para realizar el entrenamiento y el an�lisis de las prendas. Considerando esto se considera que en el modelo se permite hacer una categorizaci�n para realizar la segmentaci�n y analizar las pruebas con el modelo SCVTON. Mediante el cual permite introducir un m�dulo de s�ntesis de etiquetas sem�nticas para la predicci�n sem�ntica. Adem�s, proponen utilizar las etiquetas sem�nticas las cuales permiten modular las activaciones de cada capa para la normalizaci�n a trav�s de las redes, permitiendo obtener resultados cualitativos y cuantitativos para las tareas del modelo.

Hu, Jianhua and Wu, Weimei and Ding, Mengjun and Huang, Xi and Deng, Zhi Jian and Li, Xuankai [12]. En el presente art�culo se detalla el estudio mediante un Sistema el cual permite la adaptaci�n virtual considerando la funcionalidad de Deep Learning el cual permite a los usuarios considerar experimentar un try-on con im�genes pre definidas segmentando las caracter�sticas de la imagen. Donde este experimento se ha considerado mediante el uso de la red generativa GAN, considerando que a la imagen modificada permite generar a detalle la imagen con sus caracter�sticas. El principal paso que consideran para un resultado realista se detalla que se necesita predecir un el dise�o sem�ntico de la imagen tomando como referencia las segmentaciones de prendas y mediante el conjunto del modelo GAN permite redise�ar la caracter�stica para realizar el correspondiente ajuste a la nueva imagen generada.

Chang, Yuan and Peng, Tao and He, Ruhan and Hu, Xinrong and Liu, Junping and Zhang, Zili and Jiang, Minghua [13]. Los autores detallan que �ltimamente se ha prestado gran atenci�n a los sistemas de prueba virtuales basados en im�genes, cuyo objetivo es transferir una prenda de vestir concreta a la zona correspondiente de una persona. Sin embargo, al d�a de hoy resulta un poco complejo el implementar esta novedad ya que para ello se requieren de varios modelos para su implementaci�n. Es por ende que mediante el modelo DP- VTON, permite tratar de asimilar un redise�o de la imagen. Donde tiene como caracter�sticas la inicial corresponde ser la segmentaci�n del �rea espec�fica donde se encuentra la prenda a realizar el correspondiente cambio. Posterior detallan que se necesita una redimensi�n total de la nueva prenda para tratar de ajustarla, generando una nueva imagen.

Cho, Yunmin and Ray, Lala Shakti Swarup and Thota, Kundan Sai Prabhu and Suh, Sungho and Lukowicz, Paul [14]. Los autores resaltan que la compra de ropa en l�nea se ha vuelto cada vez m�s popular, pero la alta tasa de devoluciones debido a problemas de talla y ajuste sigue siendo un gran desaf�o. Por ende, tratan de detallar la implementaci�n de modelos los cuales permiten solventar esta necesidad. En el art�culo detallan la implementaci�n de un modelo llamado ClothFit, que puede predecir la forma de ca�da de una prenda en un cuerpo objetivo en funci�n del tama�o real de la prenda y los atributos humanos. El m�todo que detallan implementar considera usa las bases del modelo U-Net que incorpora atributos humanos y de tela para guiar la s�ntesis de prueba virtual realista.

Han, Xintong and Huang, Weilin and Hu, Xiaojun and Scott, Matthew� [15]. Los autores detallan la implementaci�n de un modelo llamado ClothFlow, el cual es un modelo generativo basado en el flujo de la apariencia permitiendo sintetizar personas vestidas para la generaci�n y segmentaci�n de la misma considerando las posturas. Este modelo considera se utiliza cambios geom�tricos y transfiere naturalmente la apariencia para lograr sintetizar en una nueva imagen. Donde este considera un proceso para tratar de realizar la implementaci�n, mediante las cuales se detalla primero el condicionamiento de una pose, para obtener patrones y caracter�sticas relevantes. Segundo se considera la construcci�n de las redes que permite extraer las caracter�sticas para analizar los patrones y poder finalmente generar las regiones con la prenda deformada como entrada y dando de salida la nueva prenda. Todo lo implementado se considera mediante el modelo ClothFlow el cual se ha definido con cada uno de sus conceptos, adem�s, el cual ha sido entrenado mediante la base de datos VITON, el cual consideran un dataset muy extenso para los entrenamientos

Toliya, Nikita Paras and Chadaga, Neha B and Harshitha, Rm and Dhruva, M and Nagarathna, N [16]. Los autores detallan en el art�culo que las plataformas de comercio enfocadas en la moda han demostrado un gran potencial para mejorar la experiencia del usuario y aumentar la satisfacci�n del cliente mediante soluciones virtuales basadas en im�genes, como explican los autores en el art�culo. No obstante, debido a su incapacidad para tener en cuenta posturas y modificaciones particulares del cliente, las soluciones en 2D actuales no ofrecen una experiencia completamente satisfactoria. La reconstrucci�n de im�genes de alta calidad de la ropa resulta complicada debido a que estas soluciones dependen en gran medida de modelos generativos.

Tong, Jing and Zhou, Jin and Liu, Ligang and Pan, Zhigeng and Yan, Hao [17]. En este art�culo, se presenta un nuevo sistema que utiliza tres Microsoft Kinects para escanear cuerpos humanos completos en 3D de manera sencilla. El m�todo propuesto puede manejar la alienaci�n no r�gida con restricciones de cierre de bucle y complejas oclusiones. Un algoritmo de registro en dos etapas realiza primero una deformaci�n pareada en el campo de geometr�a, y luego se adopta una alineaci�n global en el campo de deformaci�n. Nuestro algoritmo es eficiente y de bajo consumo de memoria. El sistema es capaz de generar cuerpos humanos 3D convincentes a un costo muy bajo y tiene un buen potencial para aplicaciones orientadas al hogar para usuarios cotidianos.

La calidad de los modelos reconstruidos mediante el sistema a�n es deficiente para algunas aplicaciones espec�ficos debido a la baja calidad de los datos de profundidad capturados por los Kinects. En el futuro, planean investigar enfoques m�s sofisticados de reducci�n de ruido y superresoluci�n para mejorar la calidad de la profundidad, as� como sintetizar detalles finos en el modelo resultante. Tambi�n se plantean comparar los resultados obtenidos con sistemas de escaneo de alta precisi�n para una mejor evaluaci�n. Aunque el problema de las oclusiones complejas puede manejar razonablemente utilizando el m�todo de registro global, a�n se produjeron desalineaciones durante el experimento.

Analizando la redacci�n bibliogr�fica, se ha determinado un an�lisis mediante el cual se especificar�n los modelos comunes para la posible implementaci�n en lo que refiere un nuevo m�todo para la compra tanto para grandes como peque�as empresas.

TABLA I: MODELOS IMPLEMENTADOS�� EN CADA REVISI�N BIBLIOGRAFICA

 

 

Metodolog�a

La b�squeda de estudios relevantes se inici� mediante la exploraci�n basada en consultas de bases de datos acad�micas bien reconocidas, como IEEE Xplore y Google Scholar, con el fin de encontrar estudios que reflejaran la implementaci�n de modelos de Deep Learning en relaci�n con la prueba virtual de ropa. Los t�rminos de b�squeda consistieron en ≪Deep Learning≫ ≪Virtual Try-On≫, ≪Clothes Segmentation≫. Este enfoque permiti� acceder a una amplia colecci�n de estudios sobre modelos avanzados y su utilizaci�n para alterar la apariencia de los atuendos.

Se aplicaron criterios de inclusi�n y exclusi�n para seleccionar los art�culos que fueron revisados. Los criterios de inclusi�n fueron:

�         Art�culos publicados en revistas o conferencias revisadas por pares.

�         Estudios que implementaran modelos de Deep Learning en el contexto de probadores de ropa virtuales.

�         Documentaci�n que proporcionara detalles t�cnicos sobre la implementaci�n de estos modelos.

Los criterios de exclusi�n fueron:

�         Estudios que no presentaran detalles t�cnicos suficientes o relevantes para la implementaci�n de probadores de ropa virtuales.

�         Art�culos que no estuvieran revisados por pares o que no cumplieran con los est�ndares acad�micos.

Se excluyeron los estudios que no cumpl�an con estos criterios, como aquellos que no ofrec�an suficiente detalle t�cnico o que no estaban directamente relacionados con el contexto de probadores de ropa virtuales.

Se revisaron un total de 15 art�culos que cumplieron con los criterios de inclusi�n establecidos. Cada art�culo fue evaluado en t�rminos de su contribuci�n a la implementaci�n de modelos de Deep Learning en probadores de ropa. La evaluaci�n se centr� en los tipos de modelos implementados, as� como en los detalles t�cnicos proporcionados.

Para el an�lisis de los art�culos, se realiz� una s�ntesis comparativa de los modelos descritos en los estudios revisados.

Se extrajeron datos clave sobre:

�         El tipo de modelo de Deep Learning utilizado (por ejemplo, redes neuronales convolucionales, redes generativas adversariales).

�         Los m�todos de preprocesamiento y t�cnicas de modificaci�n de prendas.

�         Las m�tricas de evaluaci�n de los modelos y los resultados obtenidos en t�rminos de precisi�n y eficacia.

Para comparar los modelos descritos en los estudios revisados, se emplear� una s�ntesis comparativa. Adem�s, en la s�ntesis, se vislumbrar�n las tendencias actuales y las t�cnicas m�s efectivas que cobraron impulso en la implementaci�n de probadores de ropa virtuales. Se analizar�n los enfoques m�s comunes y se identificar�n las mejores pr�cticas en el �mbito de manejo de deformaciones en las prendas y en la segmentaci�n de caracter�sticas.

Una limitaci�n significativa de esta revisi�n es el coste computacional extremadamente elevado asociado a los modelos empleados de Deep Learning. La mayor�a de los modelos de Deep Learning avanzado son bastante computacionalmente intensivos y necesitan GPUs de alto rendimiento, as� como largas horas de entrenamiento, dificultando su aplicabilidad en entornos con recursos limitados.

Por otro lado, el an�lisis se fundamenta en la informaci�n mencionada en los art�culos revisados y puede pasar por alto todas las consideraciones pr�cticas y t�cnicas que pueden influir en el proceso de implementaci�n de estos modelos. La falta de datos sobre cu�nto cuesta computar un modelo y cuantos recursos se requieren para implementarlo puede tener un impacto en c�mo se pueden interpretar estos resultados y en qu� medida se aplican en situaciones con diferentes especificaciones t�cnicas.

En futuras investigaciones, puede ser beneficioso explorar estudios de caso que documenten la implementaci�n pr�ctica de estos modelos en entornos del mundo real. Adem�s, investigar las estrategias para el rendimiento optimizado de los modelos en cuanto a costo computacional y tiempo de entrenamiento tambi�n ser�a beneficioso, ya que pueden facilitar una mayor adopci�n de estos modelos en aplicaciones m�s amplias y accesibles.

 

Resultados

La revisi�n bibliogr�fica realizada ofrece una visi�n detallada de los avances en el uso de algoritmos de deep learning para los probadores de ropa virtuales. A continuaci�n, se presentan los hallazgos clave y sus implicaciones,vale la pena mencionar el estudio de Tuan et al. (2020) que resalta el uso de VTON, un modelo que es efectivo para deformar ropa en 2D. Este modelo se ha utilizado ampliamente ya que fue efectivo para ajustar la ropa a las im�genes del usuario en 2D. Sin embargo, tiene limitaciones significativas en lo que se refiere a la deformaci�n de la ropa en 3D. Para abordarlo, Tuan et al. (2020) propuso 3D-MPVTON, que es un sistema de reconstrucci�n en 3D que permite cambiar la pose del usuario y adaptar la ropa al cuerpo en 3D. El avance es significativo en t�rminos de precisi�n de la simulaci�n de ropa, lo que promueve la coherencia entre la postura y la prenda en un entorno diferente.

El art�culo de Shah et al. (2020). plantea una perspectiva de aplicaciones m�viles para probar ropa virtualmente. Una aplicaci�n para Android que permite a los consumidores probarse digitalmente la ropa ha sido desarrollada mediante OpenCV y TensorFlow Lite. Esta innovacio�n en la satisfacci�n de la ropa en l�nea ofrece a esta industria un medio eficiente y efectivo de probar ropa a medida que los consumidores buscan cada vez m�s medidas para probar la ropa mediante pantalla t�ctil. La creciente demanda de soluciones de prueba virtual en un mercado expansivo del consumidor ha superado la oferta, lo que potencialmente ha resultado en la afluencia de proveedores de soluciones inexactas en el mercado.

Por otro lado, Yao et al. (2021) explora el uso de modelos avanzados como VITON-HD y LC-VTON para la segmentaci�n y el tama�o de prendas. Mientras VITON-HD se centra en la segmentaci�n precisa de ropa 2D, LC-VTON mejora la precisi�n de la simulaci�n adaptando la ropa al cuerpo del usuario. Este modelo se puede combinar con prendas bonitas que se adapten al cuerpo del usuario, lo que hace que la imagen final sea m�s precisa.

El uso de Generative Adversarial Networks (GANs), como se detalla en el trabajo de Islam et al.� (2021), tambi�n ha mostrado un gran potencial. Los GANs permiten clasificar, segmentar y redimensionar prendas con alta precisi�n, facilitando una adaptaci�n m�s realista al cuerpo del usuario. Este enfoque ha demostrado ser eficaz en la mejora de la calidad de las pruebas virtuales, al permitir una simulaci�n m�s precisa y detallada de las prendas.

Los modelos ClothFit y ClothFlow, descritos por Cho et al. (2021) y Han et al. (2021) respectivamente, representan avances importantes en la simulaci�n de la ca�da de las prendas y la transferencia de apariencia. ClothFit utiliza un enfoque basado en U-Net para predecir c�mo se comportar� una prenda en el cuerpo del usuario, mientras que ClothFlow emplea flujos de apariencia para generar im�genes de personas vestidas con alta naturalidad. Ambos modelos abordan diferentes aspectos de la prueba virtual, desde la predicci�n de la forma de ca�da hasta la generaci�n de im�genes de apariencia fluida.

En t�rminos de segmentaci�n avanzada, SCVTON y DP- VTON, como se describe en los estudios de Song et al. (2021) y Chang et al. (2021), introducen t�cnicas innovadoras para la segmentaci�n y redimensi�n de prendas. SCVTON integra un m�dulo de s�ntesis de etiquetas sem�nticas para mejorar la segmentaci�n, mientras que DP-VTON se enfoca en la redimensi�n precisa de las prendas para adaptarlas a la estructura del cuerpo del usuario.

Sin embargo, la implementaci�n de estos modelos no est� exenta de desaf�os. La reconstrucci�n de im�genes de alta calidad sigue siendo complicada debido a las limitaciones de los modelos generativos actuales, que a menudo enfrentan dificultades para adaptarse a posturas complejas y garantizar una experiencia de prueba virtual completamente realista, como se menciona en el estudio de Toliya et al. (2021). Adem�s, el costo asociado con la implementaci�n de modelos avanzados en 3D puede ser una barrera significativa para su adopci�n generalizada, como se observa en el trabajo de Hwangbo et al. (2021).

En conclusi�n, la revisi�n destaca que, aunque se han logrado avances significativos en la tecnolog�a de probadores virtuales mediante el uso de deep learning, a�n persisten desaf�os importantes en t�rminos de calidad de imagen, adaptaci�n a posturas complejas y costos de implementaci�n. Estos hallazgos subrayan la necesidad de continuar investigando y desarrollando modelos que puedan superar estas limitaciones y ofrecer soluciones m�s efectivas para la prueba virtual de ropa.

 

Discusi�n

Los resultados de la investigaci�n muestran grandes avances en el campo de los vestidores virtuales gracias al Deep learning. Los estudios revisados muestran avances significativos en los m�todos para permitir experiencias de prueba port�tiles en entornos virtuales. Este avance se puede ver en la transici�n de un modelo basado en modulaci�n 2D a una soluci�n m�s sofisticada que tambi�n utiliza m�dulos 3D que se adaptan a diferentes posiciones del cuerpo.

Uno de los hallazgos clave es la implementaci�n de modelos como 3D-MPVTON y VITON-HD. 3D-MPVTON los cuales destacan por su capacidad para transformar la pose del usuario y ajustarla al cuerpo, mientras mantiene el resto del cuerpo en su forma habitual. Este modelo representa un avance significativo en comparaci�n con los m�todos anteriores que se centraban �nicamente en la deformaci�n 2D de las prendas. Al permitir una adaptaci�n m�s precisa a las posturas del usuario, 3D-MPVTON ofrece una experiencia m�s realista y personalizada. Por su parte, VITON-HD se centra en la segmentaci�n detallada de las prendas, permitiendo una mejora de la ropa al cuerpo del usuario.

El desarrollo y la adopci�n de aplicaciones m�viles para la prueba virtual de ropa tambi�n han demostrado ser una tendencia emergente. La integraci�n de tecnolog�as como OpenCV y TensorFlow Lite en aplicaciones m�viles ha permitido a los usuarios probarse virtualmente la ropa con una precisi�n que antes no era posible. Estos avances no solo mejoran la experiencia de compra, sino que tambi�n abordan problemas significativos como la necesidad de probar f�sicamente las prendas, reduciendo as� la tasa de devoluciones y mejorando la satisfacci�n con el cliente.

A pesar de los avances, persisten desaf�os. Por ejemplo, las GAN y otros modelos computacionales han mostrado limitaciones para resolver situaciones complejas y proporcionan una imagen completamente realista. Un problema importante sigue siendo la alta tasa de p�rdidas en algunos modelos, como informa I-VTON. Estos desaf�os resaltan la necesidad de continuar desarrollando modelos que puedan manejar mejor las variaciones en la postura y el movimiento del usuario, as� como mejorar la calidad de las im�genes resultantes.

En comparaci�n con los resultados de estudios anteriores, est� claro que hemos mejorado el nivel anterior que solo consideraba la deformaci�n 2D. Modelos como SCVTON y DP-VTON representan avances significativos en la integraci�n de componentes avanzados y t�cnicas de conversi�n. Sin embargo, el persistente desaf�o de combinar sistemas complejos con alta calidad de imagen indica que a�n queda mucho por hacer.

Las implicaciones pr�cticas de estos avances son considerables. La mejora en la precisi�n de los modelos de prueba virtual puede transformar el comercio electr�nico, ofreciendo a los consumidores una experiencia de compra m�s satisfactoria y reduciendo la necesidad de devoluciones debido a problemas de ajuste y tama�o. Sin embargo, el costo asociado con la implementaci�n de estos modelos avanzados puede ser una barrera para su adopci�n generalizada, especialmente para peque�as y medianas empresas. La reducci�n de costos y el desarrollo de soluciones m�s accesibles ser�n cruciales para que estas tecnolog�as se conviertan en una opci�n viable para un mayor n�mero de empresas.

De cara al futuro, hay muchas �reas que requieren m�s investigaci�n. Los modelos modernos pueden beneficiarse de la integraci�n de tecnolog�as avanzadas como la realidad aumentada (AR) y la realidad virtual (VR) para brindar una experiencia experimental m�s inmersiva. Adem�s, la investigaci�n sobre formas de reducir costos y hacer que la tecnolog�a de pruebas de realidad virtual sea accesible para empresas de todos los tama�os es fundamental para su adopci�n generalizada.

Con todo, los avances en los modelos de Deep learning son excelentes para los usuarios, pero a�n enfrentamos desaf�os importantes. La investigaci�n y el desarrollo continuos en estas �reas no solo mejoran la tecnolog�a, sino que tambi�n abren nuevas oportunidades en el comercio electr�nico y m�s all�.

 

Conclusiones

La investigaci�n sobre algoritmos de Deep learning utilizados en dispositivos port�tiles representa un gran avance en este campo y muestra c�mo la tecnolog�a sigue evolucionando para ofrecer una experiencia m�s precisa y personalizada. El nuevo paradigma supera las limitaciones de los m�todos anteriores y proporciona una mejor forma de abordar los problemas que cambian y evolucionan en los entornos del mundo real.

En primer lugar, es importante transformar los modelos 2D basados en deformaciones en modelos 3D adaptables a las deformaciones. Productos como 3D-MPVTON muestran una mayor capacidad para adaptar las prendas al cuerpo del usuario, superando las limitaciones de los m�todos anteriores que limitaban la deformaci�n a solo dos lados. La posibilidad de cambiar y probarse prendas en 3D mejora la precisi�n del ajuste virtual, creando un mejor modelo de imagen y representando el ajuste de la prenda.

En segundo lugar, la integraci�n de tecnolog�as como OpenCV y TensorFlow Lite aumenta la accesibilidad y la facilidad de uso de la demostraci�n. Esta tecnolog�a facilita que los consumidores se prueben las prendas sin necesidad de hacerlo en persona, lo que minimiza las devoluciones y aumenta la satisfacci�n del cliente. Las aplicaciones m�viles han demostrado ser una herramienta �til para ofrecer una experiencia de compra r�pida y precisa, lo que resulta esencial en un mercado en crecimiento en el que existe una gran necesidad de soluciones eficaces y pr�cticas.

Sin embargo, a pesar de estos avances, el modelo actual sigue planteando importantes retos. El alto nivel de mortalidad de algunos m�todos de producci�n, como el I-VTON, as� como la dificultad de gestionar condiciones complejas y la calidad de las im�genes producidas, ponen de manifiesto la necesidad de seguir investigando en el desarrollo de tecnolog�as que aborden estos retos. La calidad de la imagen y la localizaci�n siguen siendo aspectos cr�ticos que deben abordarse para ofrecer la mejor experiencia de RV.

Otra conclusi�n importante es que, a pesar de los avances tecnol�gicos, el coste de implantaci�n sigue siendo una cuesti�n secundaria para muchas organizaciones, especialmente las PYME. La reducci�n de costes y el aumento de la accesibilidad son fundamentales para una adopci�n generalizada. Las organizaciones deben sopesar su inversi�n en estas tecnolog�as avanzadas frente a los beneficios esperados en t�rminos de satisfacci�n del cliente y reducci�n de beneficios.

Por �ltimo, la investigaci�n muestra que la combinaci�n de tecnolog�as emergentes, como la RA y la RV, podr�a proporcionar experiencias m�s inmersivas y aut�nticas en un futuro pr�ximo. La combinaci�n de estas tecnolog�as con los modelos existentes mejorar� la calidad de las pruebas virtuales y ofrecer� nuevas oportunidades para el comercio electr�nico y otras industrias

 

Referencias

      1.            T. T. Tuan, M. R. Minar, H. Ahn, and J. Wainwright, �Multiple pose virtual try-on based on 3d clothing reconstruction,� IEEE Access, vol. 9, pp. 114 367�114 380, 2021.

      2.            K. Shah, M. Pandey, S. Patki, and R. Shankarmani, �A virtual trial room using pose estimation and homography,� in 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS), 2020, pp. 685�691.

      3.            J. Yao and H. Zheng, �Lc-vton: Length controllable virtual try-on network,� IEEE Access, vol. 11, pp. 88 451�88 461, 2023.

      4.            M. R. Minar, T. T. Tuan, and H. Ahn, �Cloth-vton+: Clothing three- dimensional reconstruction for hybrid image-based virtual try-on,� IEEE Access, vol. 9, pp. 30 960�30 978, 2021.

      5.            T. Islam, A. Miron, X. Liu, and Y. Li, �Deep learning in virtual try- on: A comprehensive survey,� IEEE Access, vol. 12, pp. 29 475�29 502, 2024.

      6.            L. Yu, Y. Zhong, and X. Wang, �Inpainting-based virtual try-on network for selective garment transfer,� IEEE Access, vol. 7, pp. 134 125� 134 136, 2019.

      7.            H. Hwangbo, E. H. Kim, S.-H. Lee, and Y. J. Jang, �Effects of 3d virtual �try-on� on online sales and customers� purchasing experiences,� IEEE Access, vol. 8, pp. 189 479�189 489, 2020.

      8.            H. Ma, Z. Hu, and Y. Zheng, �A virtual try-on model with enhanced feature representation capability,� in 2022 6th Asian Conference on Artificial Intelligence Technology (ACAIT), 2022, pp. 1�7.

      9.            H.-W. Jin and D.-O. Kang, �Versatile-vton: A versatile virtual try- on network,� in 2023 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia), 2023, pp. 1�4.

  10.            A. Mishra, S. Kaintura, Y. S. Yadav, V. Joshi, H. Vaidya, and A. Kapru- wan, �Gans and augmented reality in virtual clothing try-on,� in 2024 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE), 2024, pp. 1�6.

  11.            Y. Song, J. Zhang, and Z. Wang, �Semantical-info based virtual try- on network with generative adversarial nets,� in 2021 CAA Symposium on Fault Detection, Supervision, and Safety for Technical Processes (SAFEPROCESS), 2021, pp. 1�6.

  12.            J. Hu, W. Wu, M. Ding, X. Huang, Z. J. Deng, and X. Li, �A virtual try- on system based on deep learning,� in 2023 3rd International Symposium on Computer Technology and Information Science (ISCTIS), 2023, pp. 103�107.

  13.            Y. Chang, T. Peng, R. He, X. Hu, J. Liu, Z. Zhang, and M. Jiang, �Dp-vton: Toward detail-preserving image-based virtual try-on network,� in ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2021, pp. 2295�2299.

  14.            Y. Cho, L. S. S. Ray, K. S. P. Thota, S. Suh, and P. Lukowicz, �Clothfit: Cloth-human-attribute guided virtual try-on network using 3d simulated dataset,� in 2023 IEEE International Conference on Image Processing (ICIP), 2023, pp. 3484�3488.

  15.            X. Han, W. Huang, X. Hu, and M. Scott, �Clothflow: A flow-based model for clothed person generation,� in 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 10 470�10 479.

  16.            N. P. Toliya, N. B. Chadaga, R. Harshitha, M. Dhruva, and N. Naga- rathna, �Gan based model for virtual try on of clothes,� in 2024 Interna- tional Conference on Emerging Technologies in Computer Science for Interdisciplinary Applications (ICETCS), 2024, pp. 1�7.

  17.            J. Tong, J. Zhou, L. Liu, Z. Pan, and H. Yan, �Scanning 3d full human bodies using kinects,� IEEE Transactions on Visualization and Computer Graphics, vol. 18, no. 4, pp. 643�650, 2012.

 

 

 

 

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).

 

 

 

 

 

 

 

�������������������������������������������������������������������������������������������������������������������������