論文の概要: StyleTailor: Towards Personalized Fashion Styling via Hierarchical Negative Feedback
- arxiv url: http://arxiv.org/abs/2508.06555v2
- Date: Tue, 12 Aug 2025 02:32:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 12:16:51.401453
- Title: StyleTailor: Towards Personalized Fashion Styling via Hierarchical Negative Feedback
- Title（参考訳）: StyleTailor:階層的負のフィードバックによるパーソナライズされたファッションスティリングを目指して
- Authors: Hongbo Ma, Fei Shen, Hongbin Xu, Xiaoce Wang, Gang Xu, Jinkai Zheng, Liangqiong Qu, Ming Li,
- Abstract要約: StyleTailorは、パーソナライズされたアパレルデザイン、ショッピングレコメンデーション、バーチャルトライオン、システマティックな評価を結合的なワークフローに統合する最初のコラボレーティブエージェントフレームワークである。
我々のフレームワークは2つのコアエージェント、すなわちパーソナライズされた衣服選択のためのデザイナと仮想試着のためのコンサルタントを備えており、そのアウトプットは階層的な視覚言語モデルフィードバックによって徐々に洗練されている。
パフォーマンスを評価するために,スタイルの整合性,視覚的品質,顔の類似性,芸術的評価を含む総合的な評価スイートを導入する。
- 参考スコア（独自算出の注目度）: 11.510316659758718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advancement of intelligent agents has revolutionized problem-solving across diverse domains, yet solutions for personalized fashion styling remain underexplored, which holds immense promise for promoting shopping experiences. In this work, we present StyleTailor, the first collaborative agent framework that seamlessly unifies personalized apparel design, shopping recommendation, virtual try-on, and systematic evaluation into a cohesive workflow. To this end, StyleTailor pioneers an iterative visual refinement paradigm driven by multi-level negative feedback, enabling adaptive and precise user alignment. Specifically, our framework features two core agents, i.e., Designer for personalized garment selection and Consultant for virtual try-on, whose outputs are progressively refined via hierarchical vision-language model feedback spanning individual items, complete outfits, and try-on efficacy. Counterexamples are aggregated into negative prompts, forming a closed-loop mechanism that enhances recommendation quality. To assess the performance, we introduce a comprehensive evaluation suite encompassing style consistency, visual quality, face similarity, and artistic appraisal. Extensive experiments demonstrate StyleTailor's superior performance in delivering personalized designs and recommendations, outperforming strong baselines without negative feedback and establishing a new benchmark for intelligent fashion systems.
- Abstract（参考訳）: 知的エージェントの進歩は、さまざまな領域にわたる問題解決に革命をもたらしたが、パーソナライズされたファッションスタイリングのソリューションはまだ探索されていない。
本研究では,パーソナライズされたアパレルデザイン,ショッピングレコメンデーション,バーチャルトライオン,システマティックな評価をシームレスに統合する,最初の協調エージェントフレームワークであるStyleTailorを紹介する。
この目的のために、StyleTailorは、多レベルのネガティブフィードバックによって駆動される反復的な視覚改善パラダイムを開拓し、適応的で正確なユーザーアライメントを可能にした。
具体的には、2つのコアエージェント、すなわち、パーソナライズされた衣服選択のためのデザイナと仮想試着のためのコンサルタントを備えており、そのアウトプットは、個々のアイテム、完全な衣装、試着効果にまたがる階層的な視覚言語モデルフィードバックによって徐々に洗練される。
反例は負のプロンプトに集約され、推奨品質を高めるクローズドループ機構を形成する。
パフォーマンスを評価するために,スタイルの整合性,視覚的品質,顔の類似性,芸術的評価を含む総合的な評価スイートを導入する。
大規模な実験は、パーソナライズされたデザインとレコメンデーションを提供する上で、StyleTailorの優れたパフォーマンスを示し、ネガティブなフィードバックなしで強力なベースラインを上回り、インテリジェントなファッションシステムのための新しいベンチマークを確立した。
関連論文リスト
- FashionDPO:Fine-tune Fashion Outfit Generation Model using Direct Preference Optimization [12.096130595139364]
そこで本研究では,ファッション服のファッション生成モデルであるファッションDPO(FashionDPO)を,直接選好最適化を用いて微調整する手法を提案する。
このフレームワークは、タスク固有の報酬関数を設計することなく、ファッション生成モデルに対する汎用的な微調整アプローチを提供することを目的としている。
iFashionとPolyvore-Uの2つのデータセットの実験では、モデルのパーソナライズされた好みに合わせる能力を高める上で、我々のフレームワークの有効性が示されている。
論文 参考訳（メタデータ） (2025-04-17T12:41:41Z) - Decoding Style: Efficient Fine-Tuning of LLMs for Image-Guided Outfit Recommendation with Preference [4.667044856219814]
本稿では,大規模言語モデル(LLM)の表現力を利用した,個人化された衣装推薦手法を提案する。
MLLM(Multimodal Large Language Model)を用いた画像キャプションによる項目記述の視覚的・テキスト的ギャップを橋渡しする。
このフレームワークは、Polyvoreデータセットで評価され、その効果を2つの重要なタスク、すなわちFill-in-the-blankと補完的なアイテム検索で実証する。
論文 参考訳（メタデータ） (2024-09-18T17:15:06Z) - Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳（メタデータ） (2024-06-24T17:19:34Z) - Confidence-aware Reward Optimization for Fine-tuning Text-to-Image Models [85.96013373385057]
人間のフィードバックデータに基づいて訓練された報酬関数を持つ微調整テキスト・ツー・イメージモデルは、モデル行動と人間の意図との整合性を実証した。
しかし、そのような報酬モデルによる過度な最適化は、単にプロキシの目的として機能し、微調整されたモデルの性能を損なう可能性がある。
本研究では,テキストプロンプトの集合に対して推定された報酬モデル信頼度に基づいてアライメントを強化する手法であるTextNormを提案する。
論文 参考訳（メタデータ） (2024-04-02T11:40:38Z) - Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。
時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。
1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
論文 参考訳（メタデータ） (2022-11-29T16:47:20Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Addressing the Cold-Start Problem in Outfit Recommendation Using Visual
Preference Modelling [51.147871738838305]
本稿では,新しい視覚的嗜好モデリング手法を活用することで,新規ユーザに対するコールドスタート問題に対処する。
機能重み付けクラスタリングによるアプローチの活用を実演し、時事指向の衣装レコメンデーションをパーソナライズする。
論文 参考訳（メタデータ） (2020-08-04T10:07:09Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳（メタデータ） (2020-03-11T16:17:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。