earticle

영어

This study proposes a LoRA-based fine-tuning methodology that enables creative product-line expansion while preserving a fashion brand’s design DNA. It addresses the limitation of general-purpose image generation models in consistently reproducing brand identity and empirically tests whether core design DNA can be transferred to new product categories. We constructed a dataset of 8,465 product images from the upcycling brand RE;CODE and trained SDXL-based LoRA models for five product categories. To better capture brand philosophy and design attributes, we developed an in-house intelligent captioning pipeline using Gemma 3, which integrates visual features and brand metadata to generate captions for optimizing SDXL’s CLIP text encoder. Using a Cross-Generation setup, we quantitatively examined design DNA transfer when category-specific LoRA models generate unseen categories, via FID, CLIP Score, and LPIPS. All LoRA models improved FID over the base SDXL model by 17.5%–40.9%, indicating strong brand-style fidelity. Notably, the outerwear LoRA achieved a 37.4% FID improvement when generating dresses, confirming successful transfer of structural and aesthetic characteristics. CLIP Scores remained stable across experiments, suggesting a balance between prompt fidelity and creativity, while increased LPIPS indicates effective rendering of RE;CODE’s complex material mixtures and irregular textures. These findings demonstrate that LoRA fine-tuning can function as a creative partner beyond mere style imitation, thereby supporting scalable brand-consistent generation. The proposed method offers an efficient and accessible approach for individual designers and small-to-medium brands, contributing to digital transformation and sustainable design processes in fashion.

한국어

본 연구는 패션 브랜드의 고유한 디자인 DNA를 유지하면서도 창의적인 제품 라인 확장을 가능하게 하는 LoRA 기반 파인튜닝 방법론을 제안한다. 이는 범용 이미지 생성 모델이 특정 패션 브랜드의 고유한 정체성 을 일관되게 재현하지 못하는 한계를 극복하고, 브랜드의 핵심 디자인 DNA가 새로운 제품군으로 창의적으 로 확장될 수 있는지를 실증적으로 검증하기 위함이다. 이를 위해 업사이클링 브랜드 RE;CODE의 제품 이미 지 8,465개를 데이터셋으로 구축하고, SDXL 기반의 5개 제품 카테고리별로 학습해 LoRA 파인튜닝 모델을 개발했다. 브랜드의 철학과 디자인 특성을 정밀하게 반영하기 위해 Gemma 3를 활용한 지능형 캡셔닝 파이프 라인을 자체 설계했다. 이 멀티모달 시스템은 이미지의 시각적 정보와 브랜드 메타데이터를 종합 분석하여 SDXL의 CLIP 텍스트 인코더 최적화를 위한 정확한 캡션을 생성했다. 핵심 실험인 교차 생성을 통해 특정 카테고리로 학습된 LoRA가 학습하지 않은 다른 카테고리 아이템을 생성할 때의 디자인 DNA 전이 메커니즘 을 FID, CLIP Score, LPIPS 지표로 정량 분석했다. 실험 결과, 모든 LoRA 모델이 기본 SDXL 모델 대비 FID 지표에서 17.5%~40.9%의 개선을 달성하며 뛰어난 브랜드 스타일 재현 능력을 입증했다. 특히 아우터 LoRA 가 원피스를 생성하는 교차 생성 실험에서 37.4%의 FID 개선을 보여 브랜드의 구조적 특징과 미학적 접근법 이 성공적으로 전이됨을 확인했다. CLIP Score는 모든 실험에서 안정성을 유지하여 프롬프트 충실도와 창의 성의 균형을 보여주었으며, LPIPS 지표의 상승은 RE;CODE 고유의 복합적 소재 조합과 비정형적 텍스처가 정확히 구현된 결과로 해석된다. 본 연구는 LoRA 파인튜닝이 단순한 스타일 모방을 넘어 브랜드 정체성을 유지하며 새로운 제품 라인으로 확장하는 창의적 파트너로 기능할 수 있음을 실증적으로 입증했다. 이는 개 인 디자이너나 중소 브랜드도 접근 가능한 효율적 방법론으로서 패션 산업의 디지털 전환과 지속 가능한 디자인 프로세스 구축에 실용적 대안을 제시한다.