ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОЕКТИРОВАНИИ РЕТРО-ПАЛЬТО
Keywords:
Ключевые слова: искусственный интеллект, ретро-пальто, генеративные нейронные сети (GAN), диффузионные модели, компьютерное зрение, параметрическое конструирование, цифровой дизайн, sustainable fashion, индустрия моды.Abstract
Аннотация. В статье проведён систематический анализ применения
методов искусственного интеллекта (ИИ) в проектировании ретро-пальто,
включая тренчкот, оверсайз-пальто в стиле 1940–1970-х годов и другие
архетипические формы классической верхней одежды. Рассмотрены
генеративные нейросетевые модели (GAN, диффузионные модели), технологии
компьютерного зрения, системы NLP для обработки модных трендов и методы
параметрического конструирования. Предложена авторская концептуальная
схема цифрового рабочего процесса проектирования ретро-пальто с интеграцией
ИИ-инструментов. Выявлены ключевые исследовательские лакуны и
сформулированы перспективные направления дальнейших научных разработок.
References
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. GlobalData. Global Outerwear Market Analytics Report 2024–2029. — London:
GlobalData Plc, 2024. — 187 p.
2. Adobe Inc. Adobe Firefly: AI-Powered Creative Tools for Fashion Designers. —
San Jose: Adobe, 2024. — URL: https://firefly.adobe.com (дата обращения:
15.04.2025).
3. CLO Virtual Fashion Inc. CLO3D AI Features and Workflow Documentation. —
Seoul, 2025. — URL: https://support.clo3d.com (дата обращения: 20.03.2025).
4. Runway AI Inc. Runway ML Gen-3 Alpha: Technical Overview. — New York,
2024. — URL: https://runwayml.com (дата обращения: 10.04.2025).
5. Noris G., Xu W., Hornung A. Computational fashion: A survey of AI applications
in apparel design and production // ACM Computing Surveys. — 2023. — Vol.
55, № 7. — Pp. 1–38. DOI: 10.1145/3557999.
6. Goodfellow I., Pouget-Abadie J., Mirza M. et al. Generative adversarial nets //
Advances in Neural Information Processing Systems (NeurIPS). — 2014. — Vol.
27. — Pp. 2672–2680.
7. Sohl-Dickstein J., Weiss E., Maheswaranathan N., Ganguli S. Deep unsupervised
learning using nonequilibrium thermodynamics // Proceedings of ICML. — 2015.
— PMLR 37. — Pp. 2256–2265.
8. Karras T., Laine S., Aila T. A style-based generator architecture for generative
adversarial networks (StyleGAN3) // IEEE CVPR. — 2019. — Pp. 4401–4410.
DOI: 10.1109/CVPR.2019.00453.
9. Rombach R., Blattmann A., Lorenz D. et al. High-resolution image synthesis with
latent diffusion models // IEEE CVPR. — 2022. — Pp. 10684–10695. DOI:
10.1109/CVPR52688.2022.01042.
10. Sun Y., Zhang M., Zhao W. Limitations of text-to-image generative models in
fashion design: An empirical evaluation // Fashion and Textiles. — 2024. — Vol.
11. — Art. 14. DOI: 10.1186/s40691-024-00377-z.
11. Amershi S., Weld D., Cakmak M. et al. Software engineering for machine learning:
A case study // Proceedings of ICSE. — 2019. — Pp. 291–300. DOI:
10.1109/ICSE-SEIP.2019.00042.
12. Dosovitskiy A., Beyer L., Kolesnikov A. et al. An image is worth 16×16 words:
Transformers for image recognition at scale (ViT) // ICLR. — 2021. —
arXiv:2010.11929.
13. Radford A., Kim J.W., Hallacy C. et al. Learning transferable visual models from
natural language supervision (CLIP) // ICML. — 2021. — PMLR 139. — Pp.
8748–8763.
14. Kim D., Lee J., Park S. FashionCLIP: Adapting CLIP for fashion product retrieval
and attribute recognition // Pattern Recognition Letters. — 2023. — Vol. 176. —
Pp. 65–72. DOI: 10.1016/j.patrec.2023.11.004.
15. Google LLC. Google Trends: Comparative analysis of fashion-related search
queries, 2022–2026. — Mountain View, 2026. — URL: https://trends.google.com
(дата обращения: 01.05.2026).
