Dif4FF：利用多模态扩散模型和图神经网络实现精准新品时尚产品性能预测
计算机视觉与模式识别
2024-12-10 v1 机器学习
摘要
在快时尚行业中，过度生产和未售出库存造成了显著的环境问题。对未发布产品的精准销售预测可以大幅提高行业效率和利润。然而，由于缺乏历史数据和不断变化的趋势，预测全新款式的成功是困难的。具体而言，当前使用的确定性模型在遇到训练数据之外的商品时难以应对领域偏移问题。最近提出的扩散模型通过连续时间扩散过程解决了这一问题。具体而言，这些模型使我们能够预测新商品的销售，缓解了确定性模型遇到的领域偏移挑战。因此，本文提出了 Dif4FF，一个用于新品时尚产品性能预测（NFPPF）的新型两阶段流水线，利用了扩散模型的力量，并以与特定服装相关的多模态数据为条件。Dif4FF 首先利用多模态基于分数的扩散模型来预测各种服装随时间的多个销售轨迹。然后通过强大的图卷积网络（GCN）架构对预测进行优化。通过利用 GCN 捕捉时间和空间数据中长程依赖关系的能力，并在两个维度之间寻求最优解，Dif4FF 提供了文献中可用于预测新商品销售的最准确和高效的预测系统。我们在 NFPPF 的实际标准数据集 VISUELLE 上测试了 Dif4FF，取得了新的最先进结果。
引用
@article{arxiv.2412.05566,
title = {Dif4FF: Leveraging Multimodal Diffusion Models and Graph Neural Networks for Accurate New Fashion Product Performance Forecasting},
author = {Andrea Avogaro and Luigi Capogrosso and Franco Fummi and Marco Cristani},
journal= {arXiv preprint arXiv:2412.05566},
year = {2024}
}
备注
Accepted at the 27th International Conference on Pattern Recognition (ICPR 2024)