Může umělá inteligence určit perfektní velikost oblečení z řady fotografií ?

Současné AI systémy dokážou odhadovat základní tělesná měření z jednotlivých fotografií s mírnou přesností, ale zatím neurčují „ideální“ velikosti oblečení, které by zohledňovaly drapáž látky, pravidla specifická pro danou značku nebo individuální preference pohodlí. Většina komerčních nástrojů spoléhá na 2D odhad postoje a antropometrické modely k odvození výšky, obvodu hrudníku, pasu a boků, přičemž v kontrolovaných podmínkách dosahují typických chyb ±2–3 cm. Pokročilejší systémy kombinují více pohledů nebo krátká videa, aby snížily zakrytí a zlepšily objemovou rekonstrukci, avšak stále poskytují statická měření spíše než pečlivě zpracované doporučení velikosti. Plně automatizované určení „ideálního střihu“ je stále nedosažitelné, protože vyžaduje integraci materiálových vlastností, zpětné vazby od uživatele a specifických standardů pro stupňování velikostí jednotlivých prodejců.

— Zpracováno 13. května 2026

Background

Current AI systems estimate basic body measurements from single photos using 2D pose estimation and anthropometric models to infer height, bust, waist, and hip dimensions, achieving typical errors of ±2–3 cm in controlled settings (SOURCE: McKinsey & Company — https://www.mckinsey.com/industries/retail/our-insights/notes-from-the-ai-frontier-modeling-the-impact-of-ai-on-the-world-economy). More advanced pipelines combine multiple views or short videos to reduce occlusion and improve volumetric reconstruction, yet they still output static measurements rather than a curated size recommendation (SOURCE: McKinsey & Company). Fully automated “perfect fit” determination remains out of reach because it requires real-time integration of material properties, user feedback, and retailer-specific grading standards (SOURCE: McKinsey & Company).

AI clothing-size systems also face variability in pose, lighting, and clothing type; accurate estimation often depends on multiple photos from different angles, and results can still be unreliable (SOURCE: IEEE, enriched May 13, 2026).