Los puntos clave no están disponibles para este artículo en este momento.
El diseño creativo de productos se está convirtiendo en algo crítico para el éxito de muchas empresas. Sin embargo, el proceso convencional de innovación de productos se ve obstaculizado por dos desafíos principales: la dificultad para capturar las preferencias de los usuarios y la falta de enfoques intuitivos para inspirar visualmente al diseñador, lo cual es especialmente cierto en el diseño de moda y el diseño de forma de muchos otros tipos de productos. En este trabajo, proponemos combinar la ingeniería Kansei y el marco de aprendizaje profundo para la innovación de productos (KENPI), que puede transferir color, patrón, etc. de una imagen de estilo en tiempo real a la forma de un producto automáticamente. Para capturar las preferencias del usuario, combinamos la ingeniería Kansei con redes neuronales de retropropagación para establecer un modelo de mapeo entre propiedades del producto y estilos. Para abordar el problema de la inspiración en la innovación del producto, se adopta la transferencia de estilo neural basada en redes neuronales convolucionales para reconstruir y fusionar características de color y patrón de la imagen de estilo, que luego se migran al producto objetivo. La nueva imagen del producto generada no solo puede preservar la forma del producto objetivo, sino también tener las características de la imagen de estilo. El análisis Kansei muestra que la semántica del nuevo producto se ha mejorado sobre la base del producto objetivo, lo que significa que el nuevo diseño de producto puede satisfacer mejor las necesidades de los usuarios. Finalmente, la implementación de este método propuesto se demuestra en detalle a través de un estudio de caso del diseño de abrigos femeninos.
Quan et al. (Mon,) estudiaron esta cuestión.