패션 추천을 위한 미학 정렬 데이터셋 AesRec 구축 및 분석

초록

AesRec은 의류 아이템·아웃핏에 대한 9가지 미학 지표를 정량화한 대규모 데이터셋이다. 기존 추천 데이터는 사용자‑아이템 상호작용만을 활용했지만, 본 연구는 국제 의류 품질 표준과 패션 미학 원칙을 기반으로 실루엣·색채·재질·제작·착용성·아이템 인상, 그리고 스타일 시너지·시각적 조화·아웃핏 인상 등 다차원 지표를 설계한다. Vision‑Language Model을 이용해 자동 스코어링하고, 전문가 3인과의 상관관계 검증을 수행했다. 미학 정보를 손실함수에 통합한 7개 추천 모델을 실험한 결과, 평균 미학 점수와 노출 순위 모두 크게 향상됨을 확인했다.

상세 분석

본 논문은 패션 추천 시스템에 미학 정렬을 도입하기 위한 근본적인 데이터 인프라를 제공한다는 점에서 학술적·산업적 의의가 크다. 첫째, 기존 데이터셋(DeepFashion, POG 등)은 이미지·텍스트·상호작용을 풍부하게 제공하지만 미학 라벨이 전무했다. 저자들은 이를 보완하기 위해 국제 표준(ISO, ASTM, AATCC)과 최신 패션 미학 연구를 종합해 9개의 정량적 지표를 정의하였다. 아이템 수준에서는 실루엣, 색채, 재질, 제작, 착용성, 아이템‑레벨 인상 6가지, 아웃핏 수준에서는 앞의 5가지에 스타일 시너지, 시각적 조화, 아웃핏‑레벨 인상 3가지를 추가해 총 9가지 차원을 만든 점이 특징이다. 이러한 다차원 설계는 ‘시각적 미학’, ‘품질 평가’, ‘전체 인상’이라는 세 그룹으로 구분돼, 각각의 평가가 독립적이면서도 상호보완적으로 작동한다는 점에서 설계의 체계성을 보여준다.

둘째, 대규모 라벨링 비용을 절감하기 위해 Vision‑Language Model(VLM)을 활용했다. 수백만 개 이미지에 대해 VLM이 자동으로 점수를 부여하고, 100개의 아웃핏에 대해 3명의 전문가가 직접 평가한 결과 피어슨 상관계수가 높은 것으로 보고, 자동 라벨링의 신뢰성을 실증하였다. 이는 최신 대형 멀티모달 모델이 패션 미학 판단에서도 인간 수준에 근접할 수 있음을 시사한다.

셋째, 미학 정보를 추천 모델에 통합하는 방법론을 7개의 최신 번들 추천 모델에 적용해 비교 실험을 수행했다. 손실함수에 미학 점수 기반 정규화를 추가함으로써, 기존 사용자 선호 최적화만을 목표로 했던 모델 대비 평균 미학 점수가 유의하게 상승했으며, 노출 순위에서도 미학 점수가 높은 아이템이 더 많이 노출되는 효과를 확인했다. 이는 미학 라벨이 단순 부가 정보가 아니라, 추천 품질을 실질적으로 향상시킬 수 있는 핵심 신호임을 입증한다.

마지막으로, 데이터셋 공개와 함께 평가 프로토콜을 제시함으로써 향후 연구자들이 미학 정렬 추천을 손쉽게 재현·확장할 수 있는 기반을 마련했다. 전체적으로 데이터 설계, 라벨링 방법, 실험 검증이 일관되게 연결돼, 패션 AI 분야에서 미학을 정량화하고 활용하는 첫 번째 대규모 시도라 할 수 있다.