• 복식
• /
• 제62권6호
• /
• pp.139-153
• /
• 2012

To prolong the rapid progress of IT, it is necessary to develop contents through IT convergence among the existing goods & service and process areas to create new added-values. In particular, the wedding dress industry has infinite potential in utilizing various contents like virtual fitting by connecting with newly compelling IT areas such as smart phones, Augmented Reality (AR), and application contents. In the meantime, a large scale of the wedding industry has gained global competitiveness due to consulting expertise and the influence of the Korean Wave, whereas most small-sized wedding dress shops in Korea fall short of developing wedding dress designs and receiving relevant information. Accordingly, the purpose of this study was to help brides who have difficulties in choosing a wedding dress by decreasing their time and effort by providing wedding dress designs and information, according their desired image, body type, and circumstances through the utilization of virtual fitting application contents. Not only that, this study aims to diversify and specialize in wedding information and to help users to set a guideline for wedding dresses that are most suitable for them. Moreover, this study has an academic meaning in proposing an interdisciplinary convergence research model through the study of wedding dress design development, AR, and application contents utilization.

• 한국컴퓨터그래픽스학회논문지
• /
• 제26권5호
• /
• pp.15-24
• /
• 2020

본 연구에서는 주어진 옷감 시료의 정적 드레이프 모양으로부터 해당 옷감을 시뮬레이션하기 위해 필요한 시뮬레이션 파라미터를 추정하는 데이터 기반 학습법을 제시한다. 정적 드레이프의 모양을 형성하기 위해 의류 산업계에서 옷감을 물성에 따라 분류하기 위해 사용하는 쿠식 드레이프 (Cusick's drape)에서 착안한 방법을 사용한다. 학습 모델의 입력 벡터는 특정 옷감의 정적 드레이프 모양에서 추출한 특징 벡터와 옷감의 밀도 값으로 구성되고, 출력 벡터는 해당 드레이프 결과를 도출하는 여섯가지 시뮬레이션 파라미터로 구성된다. 실제에 가깝고 편향되지 않은 학습 데이터를 생성하고자 먼저 400가지의 실제 니트 옷감에 대한 시뮬레이션 파라미터를 수집하고 이로부터 GMM (Gaussian mixture model) 생성 모델을 만든다. 다음, GMM 확률분포에 따라 대량의 시뮬레이션 파라미터를 무작위 샘플링한다. 샘플링된 각각의 시뮬레이션 파라미터에 대해 옷감 시뮬레이션을 수행하여 가상의 정적 드레이프 결과를 만들고 이로부터 특징 벡터를 추출한다. 생성된 데이터를 로그선형회기(log-linear regression) 모델로 피팅한다. 학습의 수치적 정확도를 검증하고 시뮬레이션 결과의 시각적 유사도를 비교하여 제시된 방법의 유용성을 확인한다.