MDiFF：利用多模态基于得分的扩散模型进行新品时尚产品性能预测
机器学习
2024-12-11 v1 计算机视觉与模式识别
摘要
快时尚行业因过度生产和未售出库存而承受显著的环境影响。准确预测未发布产品的销量可显著提升效率和资源利用率。然而，预测全新产品的性能具有挑战性，原因在于缺乏历史数据和快速变化的趋势，现有确定性模型在遇到训练数据分布之外的商品时往往难以应对域偏移问题。最近提出的扩散模型通过连续时间扩散过程解决了此问题。这使我们能够模拟新商品如何被采用，从而降低确定性模型面临的域偏移挑战。因此，本文提出了MDiFF：一种新颖的两步多模态扩散模型流水线，用于新品时尚产品性能预测（NFPPF）。首先，我们使用基于得分的扩散模型预测不同服装随时间的多个未来销量。然后，我们使用轻量级多层感知器（MLP）细化这些多重预测以获得最终预测。MDiFF结合了两种架构的优势，为快时尚行业提供了最准确和最高效的预测系统。代码地址：https://github.com/intelligolabs/MDiFF。
引用
@article{arxiv.2412.06840,
title = {MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting},
author = {Andrea Avogaro and Luigi Capogrosso and Franco Fummi and Marco Cristani},
journal= {arXiv preprint arXiv:2412.06840},
year = {2024}
}
备注
Accepted at the FashionAI workshop @ the European Conference on Computer Vision (ECCV) 2024. arXiv admin note: substantial text overlap with arXiv:2412.05566