FASHN AI：ファッションと写真の再構築

image fal Editorial

重要な業界で AI を真剣に取り組む企業との深掘り。一つの企業、一つの困難な課題、そしてそれを大規模に解決するために実際に何が必要か。

FASHN、fal 上に構築される

ファッションがどのように見られるかは、常に物流の問題でした。ブランドはスタジオをスケジュールし、場所を確保し、モデルを予約し、撮影の数週間前にクリエイティブの方向性を確定します。消費者側では、買い物客は他人が着用している一枚の写真に基づいて、その服が自分の体に実際に似合うかどうかを想像しようとします。両方の問題に共通する根本原因は、服を見せるためのツールが、それを販売または購入する人々の野望に追いついていないことです。

ダン・ボックマンと共同創設者は、このギャップを埋めるために FASHN を設立しました。彼らが構築したものは、ファッションブランドに対してカタログ規模でのモデル着用画像の生成を可能にし、物流というプロセスを定義してきた制約なしに、写真の制作、反復、ローカライズを実現します。同時に、消費者が購入前に自分の体に服を着た姿を確認できる方法（バーチャル試着）も提供しています。

スタジオという制約

ファッションブランドは毎シーズンコレクションの撮影を行いますが、よりスピード感のあるブランドではそのサイクルが数週間に圧縮されることもあります。各撮影は、特定の場所、モデルのセット、そしてクリエイティブな方向性に対してブランドを拘束します。一度撮影が終われば、これらの資産は固定されます。撮影後にコレクションに新製品を追加した場合？それは見逃されます。異なる地域市場に向けたキャンペーンが必要になった場合？最初からやり直さなければなりません。次のシーズンにも引き継ぎたいクリエイティブな方向性は？同じスタジオを予約し、同じ写真家が利用可能であることを願い、同じ条件の再構築を試みます。

この経済効果は、多くの AI の恩恵が特定しにくいものとは異なり、定量化可能です。週次または月次に撮影を行い、それぞれに数万ドルのコストがかかるブランドにとっては明確な基準があります。AI 生成が同等の画像を生み出す場合、その計算は即座に行われます。しかし、コストはより根本的な変化から目を逸らすためのほぼ気晴らしに過ぎません。それは、撮影の物理的制約がもはや何が可能かの境界線ではなくなったという事実です。

「極端な多様化を望もうとも、極端な一貫性を望もうとも、あなたの物理的手段や場所によって制限されることはありません。」

Shein や Temu といったファストファッションブランドは、物理的な素材資産を完全に省略することでさらに一歩を進めています。彼らは直接 3D ソフトウェアでデザインを行い、そのデジタル資産を開始点として利用するため、カメラがプロセスに一度も入ることなくエンドツーエンドで完結させることが可能です。ただし、その代償として忠実性が犠牲になります。これらの 3D レンダリングは、適切に照明された物理的な衣類と同じ精度を備えておらず、製品画像を注意深く見るとデジタル由来であることが視覚的に確認できます。プレミアムおよびミッドマーケットのブランドにおいては、正確な表現に関するリスクがより高いため、素材資産の重要性は依然として大きく、それを基盤として構築されるすべてのものの品質基準も厳格になります。まさにここが、FASHN が早期に下した技術的な判断が決定的な要因となる領域です。

Dan は、Zara を規模におけるブランドの一貫性がどのようなものかを示すベンチマークとして挙げています。これは、その周りに物理インフラを構築した場合の話です。写真撮影専用の建物全体、社内スタジオチーム、長年にわたって洗練された標準化されたプロセスなどです。このような一貫性は、歴史的に見てもそのようなレベルの投資を必要としてきました。

imageFASHN AI が提供したファッション写真撮影の例

Fashion AI において十分に語られていないインフラ要件

ファッション写真撮影とバーチャル試着では、インフラ要件が異なります。消費者向けの試着においては、リクエストごとのレイテンシが課題となります。生成は速く感じられる必要があります。一方、カタログ写真撮影における課題は、コレクション全体を一度にシステム内処理する際に何が起こるかです。

ブランドは一枚の画像だけを生成するわけではありません。製品ディレクトリ全体をアップロードし、実際の生産ワークフローに収まる時間枠内で、一貫した品質を保ちながらすべてを処理する必要があります。重要な指標は単一の画像がどれだけ速く生成されるかではありません。バッチ全体で品質が低下することなく、並列実行できる数がどれほどかです。

FASHN は fal のサーバーレスインフラ上で、エンタープライズ顧客に対して 500 件の同時リクエストを処理します。この閾値において、ブランドはコレクション全体を提出し、その場を離れて戻ってきたときには完了したアセットを確認できます。

「ディレクトリ全体をアップロードしてボタンをクリックし、コーヒーを一杯飲んで戻れば、すべてのアセットが準備できている状態になります。それが大規模ブランドにとって実用的である理由です。」

この閾値を下回ると、出力品質に関わらずワークフローは崩壊します。300 点のコレクションを順次処理するブランドが、これを生産プロセスに組み込むことはあり得ません。バッチ並列処理は「あれば便利」な機能ではなく、評価されるツールと実際に使われるツールの違いを生む要素です。

なぜバーチャル試着は見た目よりも難しいのか

バーチャル試着において、多くのチームが最初にたどる道は、既存のファウンデーションモデルを微調整し、アダプターを重ねて出力が説得力を持つまでにするというものです。Dan のチームは当時利用可能なすべての信頼できる選択肢、Stable Diffusion XL、Flux、Qwen Image、異なるエンコーダー、異なるアーキテクチャのアダプターなどをすべて検討しました。しかし、いずれもファッションブランドが実際に必要とする基準に耐えうる結果を生み出すことはできませんでした。

根本的な問題は、潜在空間（latent space）が「妥当性」を目標とする場合にうまく機能するという点にあります。一般的な服装を着たモデルのリアルな画像を生成することは、まさにそのために設計されたタスクです。しかし、バーチャル試着はそういう意味での生成タスクではなく、精密な編集タスクです。特定の衣類を特定の体型に正確に歪ませ、その過程でテクスチャやパターンディテールをすべて保持する必要があります。潜在空間では、そのようなピクセル単位の完璧な編集を学習するのは難しく、それを正確に行うために必要なトレーニングは、画像を最初に圧縮することで得られた計算効率の利点をほぼ相殺してしまいます。

ファッションブランドは、製品がそのままの姿で表現されることを必要とします。微細なテクスチャ、精密なパターン、正確な色合いです。デモで見栄えが良くなるからではなく、間違えた場合に現実的な結果を招くからです。

「彼らは虚偽のマーケティングだと非難されるのを恐れています。見た目には良いが実際の製品ではない商品を見せ、その後に返品されることを恐れているのです。」

当時、真に有望な結果を示していた唯一の研究はピクセル空間で動作しており、画像をより効率的だが精度の低い中間表現に圧縮するのではなく、画像データそのものを直接処理していました。オープンソースの実装はありませんでした。FASHN はゼロから実装を作成し、それを公開してその上でトレーニングを行いました。この選択により、エンタープライズ市場に対応できる十分な品質の上限が設定され、それに必要な技術的規律がその後のすべての開発を形作りました。

imageFASHN が fal インフラ上で構築したバーチャル試着。相反するニーズを持つ 2 つの顧客に対応

バーチャル試着は、ファッション向け AI ツールを構築する際の中心に位置する設計上の課題を浮き彫りにします。ブランドと消費者の双方が正確で説得力のある結果を望んでいますが、その結果を得るまでの待ち時間に対する許容度は大きく異なります。

ブランドにとって何よりも重要なのは精度です。出力が製品を忠実に表現している限り、生成に数分待っても構いません。彼らが受け入れられないのは、一見妥当に見えるが衣類の描写が間違っている画像です。

エンドユーザーは速度を最も重視しますが、それは「自分を見てもらえている」という感覚を損なうことではありません。6 秒で届く画像には大きな関心を示しますが、同時に、その画像が体型を保ち、タトゥーを表現し、ピアスも反映していることを求めるでしょう。求められるのは完璧さではなく、体験が画一的なものではなく個人的なものだと感じさせるのに十分なリアリズムです。消費者の採用を阻む要因は不正確な精度ではなく、遅い精度です。40 秒かかる結果は、どれだけ精密であっても、顧客を即座に失います。

同じ基盤技術でも、どのユースケース（使用事例）に対応するかによって要件は劇的に異なります。このギャップが、FASHN にレイテンシ（遅延）、品質とのトレードオフ、そしてどちらにも妥協を強いることなく両方を支えるために必要なインフラストラクチャについてどのように考えるべきかを形作りました。

現在のバーチャル試着の現状と、目指すべき姿との間には依然として大きな隔たりがあります。Dan 氏によると、現在の平均生成時間は約 40 秒ですが、消費者が期待する時間はその半分以下の 5 秒程度です。ブランドは現在、巧妙な UX（ユーザーエクスペリエンス）の工夫でこのギャップを埋めようとしていますが、その方向性は明確です。生成速度が向上すれば、これらの工夫は不要となり、体験は真にインタラクティブなものになります。

AI ファッションがまだ解決できていない最後の課題

今日、AI を活用したファッション写真撮影とバーチャル試着が共有しているのは、どちらも本質的に美的な成果物であるという点です。ファッション写真は、服を人体に説得力を持って装着し、質感や色を忠実に再現しながら、カタログ規模でそれを実現できます。一方、バーチャル試着は、同じ服を消費者自身の身体に素早く配置することで、体験が個人的なものと感じられるようにします。しかし、どちらもまだ実現できていないのは、その服が実際に合うかどうかを伝えることです。

これを解決するには、双方からのデータが必要です。ブランド側からは、服の構造に関する正確な 3D コンストラクションデータ（3D construction data）と、消費者側からは何らかの身体測定データです。ブランド側は、3D ネイティブなデザインワークフローが標準化されるにつれて、その方向へ進んでいます。一方、消費者側では、これまでほとんど求められてこなかったような参加型の取り組みが必要です。

Dan は、両側のインフラが成熟するにつれて、この収束が徐々に起こると見ています。それが実現すれば、「服を見ること」と「それが合うことを知る」ことの間のギャップが、これまでのすべての取り組みを完成線ではなく基盤として見せる形で縮まります。

FASHN は、fal のインフラを活用して、ブランドや企業向けに AI によるファッション写真撮影およびバーチャル試着ツールを構築しています。