Yapay Zekâ Kombin Oluşturucu: Ne Yapar, Nasıl Bakılır

Yapay zekâ kombin oluşturucu, ona verdiğin şeyi, yani bir parçanın fotoğrafını, gününün tarifini ya da dolabının görüntüsünü alır ve tam kombinler verir: birbirine uyan bir üst, bir alt, ayakkabı ve bir katman. Fikir bulmanın hızlı bir yoludur. Kalıbın nasıl oturduğunu değerlendirmez ve sen anlatmazsan hayatını bilmez. Bunu aklında tutarsan "giyecek bir şeyim yok" döngüsünü birkaç dakikada bitirebilir.

Yapay zekâ kombin oluşturucu aslında ne yapar?

Çoğu araç üç işten birini ya da birkaçını yapar. Birincisi önermek: bir durumu, bir rengi ya da bir parçayı anlatırsın, o da kombinler önerir. İkincisi göstermek: kombini bir modelin ya da senin fotoğrafının üzerine çizer. Üçüncüsü hatırlamak: parçalarını dijital bir gardıropta tutar, böylece öneriler gerçekten sahip olduğun giysilerden çıkar.

Göstermek kısmı sanal deneme araştırmalarından gelir. VITON-HD makalesi klasik tarifi anlatır: kişinin vücut haritasını çıkar, giysiyi kabaca uydur, ardından dokular net kalsın diye ikisini bir üreticiyle birleştir. Aynı makale, ilk sistemlerin çözünürlüğünün düşük olduğunu ve görüntü büyüdükçe giysi ile vücut arasındaki kaymanın daha çok göze battığını belirtir. Yeni araçlar moda için yapılmış görüntü modelleri kullanır; giysiyi üzerine yapıştırmak yerine senin üzerine çizerler.

Fotoğraf tarafına daha yakından bakmak istersen yapay zekâ kıyafet değiştirici rehberimiz, bir denemenin fotoğrafını nasıl okuduğunu ve nerede şaşırdığını anlatıyor.

Hangi araçlar var, dijital gardırop uygulamaları ne katar?

Aynı etiketin altında üç tür ürün var. Mağaza denemeleri mağazaların ve aramanın içinde gelir. Örneğin Google, Arama'daki bir ürünün üzerinde "dene" simgesi gösterir ve parçayı yüklediğin boydan bir fotoğrafa giydirir; kumaşın farklı bedenlerde nasıl kıvrıldığını, gerildiğini ve döküldüğünü hesaba katmaya çalışan, moda için yapılmış bir model kullanır.

Google'ın Doppl uygulaması gibi deneyler, bir arkadaşından, bir mağazadan ya da sosyal medyadan bir kombinin fotoğrafını yüklemene ve onu kendinin dijital bir versiyonunda görmene izin verir. Google, Doppl'a kendisi erken bir deney diyor ve "her zaman doğru yapmayabileceğini" söylüyor.

Dijital gardırop uygulamaları ve yapay zekâ stilistleri bir mağazadan değil, senin dolabından başlar. Sahip olduklarını fotoğraflarsın ya da içe aktarırsın, uygulama bunlarla kombin kurar, bazen hava durumunu ve planlarını da düşünür. Büyük fark başlangıç noktasıdır: mağaza denemesi ne alacağına karar vermene yardım eder, gardıroba dayalı bir üretici ise zaten sahip olduğunu giymene.

Kombin oluşturucuyu kendi gardırobunla nasıl kullanırsın?

Çıkan şeyin kalitesi, giren şeye bağlı. Basit bir rutin iyi işler:

• En çok giydiğin parçaları ekle. İyi çekilmiş on on beş parça, yüz bulanık parçadan iyidir. Her parçayı düz sererek ya da sade bir duvara asarak, gün ışığında çek.
• Nereye gittiğini söyle. "Sıcak bir restoranda akşam yemeği, sonra serin bir eve dönüş yürüyüşü", "güzel bir şey"den araca çok daha fazla bilgi verir.
• Sınırlarını söyle. Hiç topuklu giymiyorsan ya da dar kolları sevmiyorsan, söyle. İyi araçlar bunu hatırlar.
• Tek cevap değil, varyasyon iste. Üç kombin iste, sonra her seferinde tek bir parçayı değiştirip neyin değiştiğine bak.
• Fikri günle birleştir. Hızlıca karar vermen gerekiyorsa bugün ne giyeceğini bir dakikada bulma yöntemimiz bununla iyi gider: önce hissedilen sıcaklığı seç, parçaları araca bırak.

Sonuç çoğu zaman denemediğin bir kombin olur, hem de zaten dolabında asılı duran giysilerle.

Yapay zekâ kombin oluşturucu neyi iyi yapamaz?

Kalıpta zorlanır. Google'ın deneme özelliğini anlatan metni kumaştan ve dökümden söz eder, ama hiçbir araç bir belin nasıl oturduğunu ya da bir kolun yeterince uzun olup olmadığını hissedemez ve Google beden doğruluğu hakkında bir şey söylemez. Doppl duyurusu daha da açık: kalıp, görünüm ve giysi detayları her zaman doğru olmayabilir. Görüntüyü "bu stil ve renk bana yakışır mı?" sorusunun cevabı olarak oku, "M beden olur mu?" sorusunun değil.

Sen söylemezsen kültürünü, kıyafet kuralını ya da işini de bilmez. Bir galeri açılışına uygun kombin muhafazakâr bir ofiste yanlış olabilir ve üretici seni uyarmaz. Ayrıca fazla cilalı olabilir: yumuşak, parlatılmış bir görüntü kırışıklıkları, yanlış boyları ve bir saat sonra ayağını sıkan ayakkabıyı gizler.

Sonucu nasıl değerlendirirsin?

Bir kombine güvenmeden önce kendine dört soru sor:

1. Bunu sıradan bir günde giyer miyim, sadece görüntüde değil? Otobüs durağına yürürken kendini göremiyorsan, bu bir hayaldir.
2. Her parça sahip olduğum ya da kolayca bulabileceğim bir şey mi? Eksik bir parçanın etrafına kurulan kombin, kılık değiştirmiş bir alışveriş listesidir.
3. Havaya ve yere uyuyor mu? Hissedilen sıcaklığa ve dışarıda ne kadar kalacağına bak.
4. İçinde kendim gibi hissediyor muyum? Önemli olan test bu. İyi bir kombin, başka birine değil, iyi bir günündeki sana benzemeli.

Üç cevap evetse kombini bir kez gerçek hayatta, aynanın önünde kur ve orada karar ver.

Freya nereye oturuyor?

Freya, kişisel bir stilist gibi çalışan, iPhone ve Android için bir uygulama. Ona nereye gittiğini söylersin, sahip olduğun bir parçayı gönderirsin ya da sevdiğin bir görünümü paylaşırsın; o da kombini kurar ve sana ya da istersen bir modele giydirerek gösterir. Onunla zevki iyi bir arkadaşınla konuşur gibi konuşabilirsin: ilk sonuç olmadıysa neyin değişmesi gerektiğini söyle. Neleri sevdiğini ve asla giymeyeceğini öğrenir, beğendiğin kombinleri Gardırobun'da saklar. İndirmesi ücretsiz.

Fotoğraflar ve rıza üzerine bir not

Kombin oluşturucuyu kendin için ya da açıkça evet demiş biri için kullan. Başka birinin fotoğrafını izni olmadan, bir vücudu değiştirmek ya da giysi çıkarmak için asla kullanma. İyi araçlar fotoğrafını özel tutar ve silmene izin verir. Özenle kullanılırsa yapay zekâ kombin oluşturucu sessiz bir yardımcıdır: bir dakikada sana fikir verir, ne giyeceğine sen karar verirsin.

Kaynaklar

• Google: You can now virtually try on clothes and shoes with this new AI shopping feature
• Google Labs: Doppl, a virtual try-on experiment
• VITON-HD: High-Resolution Virtual Try-On via Misalignment-Aware Normalization