본문으로 건너뛰기

3D 아바타 대신 코디 콜라주로 옷장 매칭을 구현했다

강진태

2026.08.11

📝 한 줄 요약

정교한 체형 추정 대신 사용자의 옷과 상품 이미지를 코디 콜라주로 조합하고, 옷장 매칭·갭 분석·피드백 수집을 연결해 가볍게 검증할 수 있는 가상 피팅 경험을 만들었다.

바쁘시면 이것만 읽어도 돼요: - 목표: 3D 아바타 대신 코디 콜라주로 옷장 매칭을 구현했다 - 핵심 과정: 구매 전 옷 조합을 확인하기 어려웠다 → 옷장·상품 이미지를 한 콜라주로 비교하게 했다 - 검증 경계: 이미지 콜라주를 실제 신체 착용 합성처럼 과장하지 않는다.

🎯 이런 분께 도움돼요

  • 개인정보 부담이 낮은 패션 AI 기능을 만들고 싶은 분

  • 거대한 모델보다 빠른 MVP로 사용 가설을 검증하고 싶은 분

  • 추천 기능에 사용자 의견을 다음 개선에 반영하는 흐름을 붙이고 싶은 분

😫 문제 상황

가상 피팅이라고 하면 사람 사진, 신체 치수, 정교한 생성 모델부터 떠올리기 쉽다. 하지만 초기 제품에서 이 방식은 개인정보 부담과 구현 비용이 크다. 사용자가 실제로 원하는 것이 “내 몸에 정확히 합성된 사진”인지, 아니면 “내 옷과 이 상품을 함께 입을 수 있는지 빠르게 상상하는 것”인지도 확인되지 않았다.

그래서 기술적으로 가장 어려운 방식부터 시작하지 않고, 구매 결정에 필요한 최소 경험을 먼저 만들기로 했다.

🛠️ 사용한 도구

  • Python

  • 옷장 데이터와 이미지 태깅

  • 코디 규칙과 옷장 매칭

  • 이미지 해석과 콜라주 생성

  • 옷장 갭 분석

  • 베타 피드백 수집 화면과 의견 저장 기능

  • AI 도구/모델: 현재 공개 근거에서 확인되지 않음

🔧 작업 과정

가상 피팅이라는 말이 실제 3D 착용 결과로 오해되지 않도록 범위를 먼저 좁혔다.

민감한 신체정보를 받지 않고도 가진 옷과 살 옷의 조합을 미리 보고, 부족한 아이템과 사용자 피드백을 확인하게 해줘.

신체 치수나 얼굴 이미지를 수집하는 대신 상품 이미지와 옷장 아이템을 조합한 코디 콜라주를 선택했다. 추천 결과에는 근거와 옷장 빈틈을 보여주고, 베타 사용자가 틀린 추천을 직접 남길 수 있게 사용자 의견을 다음 개선에 반영하는 흐름을 붙였다.

1. 가상 피팅의 성공 기준을 낮추지 않고 다시 정의했다

성공 기준을 “실제 착용 사진과 똑같은 이미지”에서 “상품이 내 옷장과 어울리는지 판단할 수 있는 시각적 근거”로 바꿨다. 목표가 달라지니 신체정보 없이도 MVP를 만들 수 있었다.

2. 옷장과 상품을 같은 언어로 표현했다

색상, 유형, 계절, 스타일 같은 태그로 보유 의류와 후보 상품을 비교했다. 코디 규칙은 함께 사용할 수 있는 아이템을 찾고, 옷장 갭 분석은 부족한 조합을 드러냈다.

3. 한 장의 콜라주로 선택 비용을 줄였다

사용자 사진에 옷을 합성하는 대신 상의·하의·신발·후보 상품을 한 화면에 배치했다. 결과가 완벽한 패션 화보는 아니지만 구매 전에 조합을 한 화면에서 검토하도록 구성했다.

4. 추천 결과에 피드백을 붙였다

좋아요만 받는 대신 왜 도움이 됐는지, 어떤 부분이 틀렸는지, 구매 결정이 어떻게 바뀌었는지 수집할 수 있는 베타 피드백 모듈을 만들었다. 제품 진행 상태를 보여주는 대시보드와 검증 체크리스트도 함께 관리했다.

🧩 막혔던 점

  • 상품 이미지 품질과 배경이 제각각이라 콜라주의 일관성이 떨어질 수 있다.

  • 규칙 기반 태그는 사람의 미묘한 취향을 모두 반영하지 못한다.

  • 피드백 질문이 많으면 사용자가 답하지 않는다.

그래서 초기에는 추천 정확도를 과장하지 않고 “검토용 조합”으로 표현했다. 피드백은 결과 수정에 직접 필요한 항목부터 작게 수집하도록 했다.

✅ 결과

  • 신체 사진이나 치수 없이 코디 조합을 보여주는 콜라주 시제품이 구현됐다.

  • 옷장 매칭, 갭 분석, 쇼핑 추천이 하나의 판단 흐름으로 연결됐다.

  • 베타 피드백을 저장하고 다음 개선 항목으로 연결할 수 있게 됐다.

  • 높은 비용의 이미지 생성 모델 없이도 핵심 가설을 검증할 수 있는 상태가 됐다.

Before vs After

항목

Before

After

작업 방식

구매 전 옷 조합 확인이 어려움

옷장·상품 이미지를 한 콜라주로 비교

💬 이 과정에서 배운 AI 활용 팁

효과적이었던 것

  • 사용자가 원하는 결과와 업계에서 흔히 쓰는 기술을 분리해서 생각해야 한다.

  • 개인정보를 덜 받는 제약이 오히려 더 가벼운 제품 경험을 만들 수 있다.

  • 추천 시스템의 품질은 모델뿐 아니라 수정 가능한 태그와 사용자 의견을 다음 개선에 반영하는 흐름에서 나온다.

  • MVP는 초라한 완제품이 아니라 가장 위험한 가정을 싸게 검증하는 장치다.

이렇게 하면 안 돼요

이미지 콜라주를 실제 신체 착용 합성처럼 과장하지 않는다.

🌍 다른 업무에 적용한다면?

가구 배치, 인테리어 조합, 상품 묶음 비교에도 적용할 수 있다.

🚀 다음 계획

실제 사용자에게 콜라주와 단순 텍스트 추천을 함께 보여주고 어떤 형식이 구매 판단에 더 도움이 되는지 비교할 예정이다.

📋 재사용 프롬프트

[고비용·고위험 기술]을 쓰지 않고도 사용자가 원하는 핵심 판단을 도울 MVP를 설계해줘. 사용자가 실제로 원하는 결과와 기술적 관습을 분리하고, 최소 입력, 설명 가능한 규칙, 시각적 결과, 수정 방법, 피드백 수집을 정의해줘. 개인정보를 받지 않는 대안도 우선 검토해줘.

🖼️ 게시 전 체크

  • 옷장 입력→태그→콜라주 흐름 캡처

  • 신체 사진이나 치수 같은 민감정보를 요구하지 않는 화면 설명

  • 피드백 입력 화면

  • 추천이 틀린 사례와 수정 과정

추천 이미지: - 문제 상황: 기존 방식의 불편을 보여주는 합성 화면 - 작업 과정: 입력→판단→검증 흐름도 - 결과: 실제 정보가 제거된 합성 결과 화면

1

함께 이야기해요 1

로그인하고 댓글을 남겨 주세요

Giacomo 프로필 이미지
Giacomo2026.08.16

가상 피팅의 성공 기준을 실제 착용 합성에서 ‘내 옷과 이 상품을 함께 볼 수 있는가’로 다시 잡은 선택이 영리했어요. 신체 사진이나 치수를 받지 않고 상의·하의·신발·후보 상품을 한 장에 놓으니, 구현비와 개인정보 부담을 줄이면서도 구매 전 조합을 검토하는 장면은 남았습니다.

색상·유형·계절·스타일 태그를 옷장과 상품의 공통 언어로 쓰고, 추천이 틀린 이유와 구매 결정 변화까지 받도록 한 흐름도 좋습니다. 콜라주를 ‘검토용 조합’이라고 부른 경계 덕분에 시제품의 역할과 실제 신체 착용 합성이 섞이지 않아요.

예정한 콜라주 대 텍스트 비교에서는 같은 상품·같은 옷장·같은 추천 근거를 고정하고 표현 방식과 노출 순서만 바꾸는 작은 교차 시험이 잘 맞습니다. 이렇게 얻은 응답은 이미지 품질이나 상품 차이보다 표현 형식의 영향을 읽는 데 쓰일 수 있어요.

가장 어려운 기술부터 고르지 않고 사용자가 원하는 최소 판단을 먼저 지킨 태도가 반가웠습니다. 민감정보를 덜 받는 선택이 구현 제약을 넘어 제품 가설을 정직하게 시험하는 방식으로 자리 잡았어요.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요