Cabine d’essayage virtuelle dans les magasins en ligne

Pour une startup spécialisée dans l’innovation technologique, nous avons développé une solution dédiée à l’industrie de la mode. Elle a été conçue comme un module complémentaire qui étend les capacités de la plupart des plateformes existantes, de sorte qu’elle répond parfaitement aux besoins du marché moderne du commerce électronique. Elle est destinée aux clients qui souhaitent essayer les vêtements avant de les acheter et de les livrer.

Aujourd’hui, le secteur du commerce électronique est confronté au défi d’accepter un grand nombre de retours. Le processus de réexpédition est couteux et prend du temps. Un outil était donc nécessaire pour réduire la probabilité de retour des vêtements essayés, améliorer le taux de conversion et réduire les couts.

Le plus grand défi était de construire un produit qui reproduise l’apparence réaliste de personnes spécifiques et des vêtements qu’elles essaient (différentes tailles, imprimés, coupes, détails). Plus ce modèle est précis, plus il sera utilisé par les utilisateurs de l’application.

L’ensemble du processus s’est déroulé selon les étapes suivantes de l’élaboration du modèle 

1. Nous avons défini avec le client l’objectif du projet, tant sur le plan commercial que sur le plan technique.

L’objectif était de développer une solution basée sur des modèles collaboratifs multiples, en supposant que les données disponibles soient une photo de la silhouette de la personne en train d’essayer et une photo du vêtement en train d’être essayé.

2. Nous avons collecté et extrait les données pertinentes.

À ce stade, nous avons extrait les caractéristiques pertinentes de la personne et du vêtement. Aucune de ces caractéristiques ne permet une identification biométrique, ce qui rend la solution sécuritaire et non soumise aux restrictions de la loi sur l’IA.

3. Nous avons utilisé les données pour entrainer chaque modèle séparément. Les données résultant d’un modèle sont devenues la base de la performance des modèles suivants.

En utilisant les données collectées sous forme d’images correctement traitées, nous avons créé une visualisation réaliste de l’avatar de l’utilisateur dans les vêtements qu’il essayait.

4. Nous avons mis en œuvre le modèle et l’avons testé dans différentes conditions.

Pour que l’utilisateur puisse évaluer au mieux les vêtements qu’il essaie, la solution présente une visualisation dans différentes poses de l’avatar.

Au cours de ce processus, nous avons appliqué des technologies telles que : 

• DensePose — la stratégie consiste à estimer la position dense d’une personne en divisant la surface. Pour chaque pixel, nous déterminons à quelle partie de la surface, il appartient, où il se trouve dans la paramétrisation 2D, à quelle partie il correspond. À droite, la division de la surface et la « correspondance point-partie » sont illustrées. L’interprétation de ce modèle consiste à « retirer » la couche externe de l’objet 3D et à l’étirer aux endroits appropriés de l’image plane.
• Segmentation (vision par ordinateur) — Une image est divisée en plusieurs segments ou objets appartenant à la même classe. Cette tâche de regroupement est basée sur certains critères, tels que la couleur ou la texture. Dans ce cas particulier, nous voulions extraire les parties du corps et les articles vestimentaires afin que les utilisateurs du système puissent essayer correctement les vêtements.
• Modèle de complétion des coordonnées – Nous avons utilisé un modèle qui complète les vides créés par le modèle DensePose. Nous disposons ainsi de la première version de l’utilisateur dans ses nouveaux vêtements sous tous les angles possibles, ce qui permet de le montrer dans n’importe quelle pose.
• Le GAN (Generative Adversarial Networks) utilise des méthodes d’apprentissage profond telles que les réseaux neuronaux pour la modélisation générative. Cela permet d’apprendre des régularités ou des modèles dans les données d’entrée de telle sorte que le modèle peut être utilisé pour générer ou présenter de nouveaux exemples qui auraient pu être tirés de l’ensemble de données d’origine.

Les modèles GAN se caractérisent par la possibilité de les charger d’entrées et de sorties spécifiques, c’est-à-dire de dire que si nous vous donnons « A » et « B » au début, nous voulons que vous fassiez « C ». C’est impossible à réaliser avec l’aide de StableDiffiusion, qui est si populaire aujourd’hui. Nos A et B étaient donc la photo de l’utilisateur, le résultat de la CCM, la segmentation, la pose et les vêtements, et le résultat de l’activité était un utilisateur habillé dans les vêtements de son choix.

Nous avons pu obtenir des visualisations haute résolution du vêtement en cours d’essayage, y compris des reproductions d’imprimés et d’autres éléments décoratifs.