AIファッション診断は信用できるのか　服やコスメ選びを任せる前に知るべき精度・広告・プライバシー

AIファッション診断やAIコスメ診断を使うと、迷っていた選択肢が一気に整理されることがあります。候補を絞る、色を並べる、組み合わせを提案する。そうした用途ではたしかに便利です。ですが、AIが出した似合うが鏡の印象とずれたとき、多くの人が迷うのは、AIの精度だけが問題ではないからです。

カメラが写しているのは、肌色そのものではありません。照明、センサー、露出、ホワイトバランス、アプリの後処理、表示画面を通った結果です。そこからAIが特徴を抽出し、学習データに基づいて分類し、さらに事業者が用意した候補集合の中で商品を順位付けします。つまり、1つのAI診断という言葉の中に、測定、分類、推薦、広告、在庫、個人情報処理が重なっています。

先に結論を書くと、AIに服やコスメ選びを全面的に任せるべきではありません。ただし、候補出し、条件整理、比較、手持ちアイテムとの組み合わせ案を作る補助には向いています。確認すべきなのは、AIが当たるかだけではなく、安定して測れているか、誰の目的で並べられているか、あとから修正・削除・拒否ができるかです。

本記事では、AIを信じるか信じないかの二択にはしません。照明やカメラが結果を変える理由、学習データの偏り、広告や在庫と結びつく推薦、顔写真の個人情報リスクを横断しながら、AIを答えではなく仮説生成装置として使う方法を整理します。

AIに服やコスメ選びを全面的に任せるべきではない
AIは「似合う」をどのように作っているのか
同じ顔でも判定が変わるのは、AI以前に画像が変わるから
学習データの偏りは、誰にとって外れやすいかを変える
AIのおすすめは中立とは限らない
AIが似合うと言った服やコスメが似合わない理由
顔写真をアップロードする前に確認すべきこと
AIには答えではなく候補を出させる
よくある疑問Q&A
参考

AIに服やコスメ選びを全面的に任せるべきではない

AIに服やコスメ選びを全面的に任せるのは勧めにくいです。理由は、画像入力が不安定であること、学習データの代表性が見えにくいこと、推薦が利用者の利益だけでなく事業者の販売目的にも最適化されうること、そして顔写真の扱いにプライバシー負担があることです。いっぽうで、比較や候補列挙のように正解を1つに決めない仕事では、AIはかなり役立ちます。

使い方の段階	任せ方の目安	具体例
任せやすい	候補出し	色候補の列挙、手持ち服との組み合わせ案、価格帯や用途別の比較表づくり
条件付き	補助判断	写真ベースの肌色分類、商品色の照合、バーチャル試着、サイズ候補の絞り込み
任せきらない	最終判断	最終購入、似合うかの断定、顔写真提供の可否判断、健康や安全性の判断

この表の意味は、AIの精度が低いから全部だめ、ということではありません。むしろ逆で、「候補を広げる」「見落としを減らす」「比較軸を整理する」用途では、曖昧さを残したまま使えるので相性がよいのです。反対に、これがあなたに似合う唯一の正解ですと言い切る用途では、入力の揺れ、評価基準の違い、事業者の利害が一度に重くなります。

AI推薦を評価するときは、精度だけでは足りません。本記事では、
測れるか、
誰の目的か、
戻れるか
の3軸で見ます。これは、日本のAI事業者ガイドラインの人間中心・公平性・プライバシー保護・透明性・アカウンタビリティや、NIST AI RMFの有効性、透明性、プライバシー、公平性の考え方とも整合的です。

AIは「似合う」をどのように作っているのか

AIは、1枚の顔写真から魔法のように似合うを当てているわけではありません。多くのサービスは、撮影、画像補正、顔や肌の領域抽出、特徴量の抽出、色や顔立ちや体型のカテゴリ化、商品候補の絞り込み、順位付け、表示という複数工程から成ります。サービスによっては、そこにバーチャル試着用の生成モデルや、過去の閲覧・購買履歴を使う推薦エンジンも重なります。

ここで重要なのは、AI診断という言葉が技術の違いを隠しやすいことです。あるサービスは顔画像を色分類するだけかもしれませんし、別のサービスはユーザー履歴と商品画像を組み合わせた推薦システムかもしれません。VTOの研究レビューでも、仮想着用体験を狙うシステムと、嗜好や履歴から候補を出すシステムは目的が異なるものとして区別されています。

さらに、推薦の最後には「どの候補を見せるか」「何番目に見せるか」という設計があります。ファッション推薦のレビューでは、説明機能の目的が、透明性の向上にとどまらず、意思決定を速めたり、利用者を説得したりする方向にも置かれうると整理されています。つまり、説明があるから中立とは限らず、候補が提示されたからといって、それが市場全体からの最適候補とは限りません。

読者にとって大切なのは、AIの表示結果を1つの塊として受け取らないことです。撮影の問題なのか、分類の問題なのか、候補集合の問題なのか、順位付けの問題なのかで、対処法は変わります。ここを分けて考えるだけでも、「AIが外れた＝自分のセンスがない」という受け取り方から離れやすくなります。

同じ顔でも判定が変わるのは、AI以前に画像が変わるから

同じ人でも判定が変わるのは、AIがぶれている前に、入力画像自体がぶれているからです。NISTの研究では、デジタルカメラの色誤差は、カメラ技術、照明スペクトル、照明の均一性などの撮影条件に強く依存し、条件によって相当な色誤差が生じると報告されています。

もう少し具体的に言うと、光源の色温度だけでなく、分光分布、照明の混在、露出、ホワイトバランス、撮影角度や距離、背景からの反射が、写る肌の見え方を変えます。スマートフォン写真を使った研究でも、カメラの距離や角度の違いが、時間比較における肌の見え方の変動を増やしうると示されています。NISTの顔認識評価でも、暗い肌の人のアンダー露出や明るい肌の人のオーバー露出のような撮影不良が、属性別の誤差差を生みうる要因として挙げられています。

さらに、表示側も一定ではありません。ICCは、カメラやモニターなどの機器がそれぞれ異なるデバイス依存の色空間を持つため、標準色空間との対応づけが必要だと説明しています。ICCプロフィールは、入力機器や表示機器のデジタル値と、CIEベースの標準色空間との関係を定義するために使われます。つまり、同じ画像でも、取得機器と表示機器の違いが色再現に影響する、ということです。

だから自然光で撮れば必ず正確とは言えません。自然光も時間帯、天候、窓ガラス、反射、室内照明の混在で変わります。できるだけ揺れを減らす実用策としては、複数光源を避ける、顔に強い影を作らない、フィルターや自動美肌補正を切る、同じ場所と距離で撮る、比較用には同じ端末で見る、があります。しかしそれでも、本人の実物の見え方を完全再現できるわけではありません。ここは撮り方のコツよりも、測定不確かさが残る問題として理解した方が、期待値を誤りにくいです。

学習データの偏りは、誰にとって外れやすいかを変える

AIの全体精度が高く見えても、誰にとって外れやすいかは別問題です。ここでは、直接確認されていることと、周辺分野から推測できることを分けて考える必要があります。

まず直接確認しやすいのは、ファッション推薦研究で使われるデータセットの偏りと公開性です。ファッション推薦のレビューでは、体型やスタイル推薦に著名人データを使う例があり、典型的な利用者の体型と一致しないおそれが指摘されています。また、報告されるデータセットの多くは公開されておらず、領域もばらばらで、小規模なものもあるため、比較可能性と再現性が弱いと整理されています。これは、どの集団に強いのか、弱いのかを外部から検証しにくいことを意味します。

次に、ラベル付け自体にも揺れがあります。NeurIPSで公開された研究では、肌トーンのアノテーションは難しく、照明条件などの技術要因に加え、注釈者の地域や認知枠組みによって系統的な差が出うると報告されています。これは、肌色ラベルがそこに客観的に貼られているわけではなく、人と条件を介した判断であることを示します。

周辺分野からの推測として重要なのが、画像AI全般での標準化と属性差の問題です。JAMA Dermatology のコンセンサスガイドラインは、皮膚画像AIにおいて、画像標準化の不足、偏りの潜在源、性能劣化要因が臨床応用の妨げになると述べています。NISTの顔認識評価でも、年齢・性別・人種関連グループで誤差率の差が確認されており、その一部は撮影品質やデータの代表性と関係します。

ただし、この事実をそのまま美容AIやファッションAIに当てはめることはできません。顔認識の属性差は、本人同一性の照合タスクで計測されたものであり、コスメ色推薦やスタイリング推薦と同じ課題ではありません。言えるのは、周辺の画像AIで偏りリスクが具体的に観測されている以上、美容・ファッションAIでも、データ構成や評価の公開が乏しい場合は慎重に見るべきということです。外部から属性別性能が確認できないときは、偏っていると断定するより、評価困難と表現する方が正確です。

AIのおすすめは中立とは限らない

AIのおすすめが当たり外れ以前に、そもそも中立であるとは限りません。ここで分けるべきなのは、認識の精度と推薦の目的です。顔や肌の特徴を比較的うまく捉えていても、推薦対象が自社商品、提携ブランド、広告商品、在庫処分品に限られていれば、利用者にとっての最適候補とはずれることがあります。これは技術の失敗ではなく、最適化目標の違いです。

表示ラベルの問題もあります。消費者庁は、一般消費者が事業者の表示だと判別しにくい表示を景品表示法上の問題として整理し、2023年10月1日からステルスマーケティング規制が施行されたと案内しています。ガイドブックでも、表示の一部ではなく、表示内容全体から一般消費者がどう認識するかが基準になると説明されています。つまり、広告の文字が小さい、見つけにくい、自然な検索結果のように見える、といった設計は注意点です。

さらに米FTCは、消費者向けAIで「AI Safety」や「Privacy Enhancing」のような曖昧な表示が、過剰な信頼を生むおそれがあると指摘しています。また、企業が当初のプライバシー約束をひそかに変えて、後からAI学習や第三者共有に使うことは問題になりうると明言しています。したがって、「AI搭載」「プライバシー重視」「あなた向け最適化」といった言葉だけで、推薦の中立性や安全性を判断してはいけません。

公開情報から考えると、広告表示の有無は重要ですが、それだけでは不十分です。中立性に近いかどうかを見るには、少なくとも次を確かめる必要があります。
・候補集合が市場全体か、自社・提携先に限られるか
・広告やスポンサーが明示されているか
・在庫や利益率が順位に影響しそうか
・推薦理由が説明されるか
・別ブランドや「買わない選択肢」も出せるか
・ユーザーが条件を変更して結果をやり直せるか
これは、推薦システム研究で説明が説得手段にもなりうること、消費者保護機関が表示全体の印象を重視していることから導ける実務的な見方です。

AIが似合うと言った服やコスメが似合わない理由

AIが似合うと言ったのにしっくりこないのは、単にAIが間違ったから、とも、本人にセンスがないから、とも限りません。まず、入力誤差があります。前節で見たように、撮影条件が変われば色の見え方が変わります。その上で、AIは多くの場合、似合うかどうかを、限られた特徴量や過去データに還元しています。ですが、実際の似合うはそれより広い判断です。

この点をよく示すのが、顔の皮膚色とファンデーション選択の関係を調べた研究です。516人の顔画像をカラーキャリブレーションして解析したところ、被験者が自分で最適だと選んだリキッドファンデーションと、個々の顔の皮膚色特性の間に、目立つ関係は見つからなかったと報告されています。つまり、色の数値だけをうまく取れても、実際の選択はそれだけでは決まらない、ということです。

服でも同じです。バーチャル試着の体系的レビューは、VTOが発展していても、物理的試着を完全には再現できていないことを明記しています。見た目が自然でも、素材の厚み、落ち感、光沢、布の動き、着心地、歩いたときの見え方までは一致しません。サイズ推薦でも、3Dボディスキャンを使った研究が、体型の多様性と従来サイズ体系の不十分さが予測を難しくすることを示しています。

さらに、本人が目指す印象や用途もあります。会議で落ち着いて見せたいのか、休日に気分を上げたいのか、写真映えを優先するのか、着心地を優先するのかで、同じ色・同じ服でも似合うの意味は変わります。AIはしばしば「調和しやすい」「過去データで選ばれやすい」を出しているだけで、「その人が好きか」「その日に安心して過ごせるか」までは測っていません。ここを混同すると、自分の違和感を過小評価しやすくなります。

顔写真をアップロードする前に確認すべきこと

顔写真の扱いは、単に写真1枚だから軽いとも、すべて自動的に生体情報だから違法とも言えません。日本の個人情報保護委員会は、顔の骨格や皮膚の色などから抽出した特徴情報で、本人認証ができるようにしたものは個人識別符号に当たりうると示しています。いっぽうで、性別や年齢といった属性情報だけで、元画像や個人識別符号と容易に照合できない場合は、直ちに個人情報に当たらないこともあるとしています。つまり、顔画像、属性情報、認証用特徴量は同じではありません。

ただし、だから安心という意味でもありません。PPCのQ&Aでは、特定個人を識別できる顔画像をいったん取得し、その後に属性抽出をして本人向け広告を配信する場合、顔画像を直ちに削除しても、一連の取扱いとして個人情報を用いた広告配信と解されるとされています。防犯目的で取った映像や顔特徴データを、後から商業目的に使うには本人同意が必要だという整理もあります。これは、美容・ファッションAIでも、取得時の説明と、後からの目的追加を分けて確認すべきことを示しています。

EUのGDPRでは、バイオメトリックデータは、身体的・生理的・行動的特徴に関する特定の技術的処理から生じ、自然人の一意な識別を可能にする個人データとして定義されています。つまり、EUでも、単なる顔写真と、識別目的で処理された生体識別データは区別して考えられます。さらにEU AI Actは段階適用で、一般適用日は2026年8月2日ですが、章によっては2025年や2027年開始のものがあるため、2026年7月20日時点では全面適用済みとは書けません。成立、施行、適用開始を分けて見る必要があります。

写真アップロード前に、最低限ここを確認してください。
・顔写真が本当に必要か
・端末内処理か、クラウド送信か
・元画像を保存するか
・顔特徴量やテンプレートを作るか
・AI学習やサービス改善に使うか
・委託先や第三者提供があるか
・国外移転があるか
・保存期間と削除方法が書かれているか
・アカウント削除と画像削除が別か
・利用目的変更時の通知方法は何か
米FTCも、企業が当初の約束を破ってデータを別目的に使ったり、こっそり規約を変えて学習に回したりすることに警告しています。プライバシーポリシーが存在するだけでは安全性の証明になりません。大事なのは、書いてある項目の具体性です。

プライバシーポリシーで探したい語句は、「保存期間」「第三者提供」「委託」「国外移転」「機械学習」「サービス改善」「削除」「アカウント削除」「生体」「顔特徴」「本人確認」あたりです。未成年者については、一般論として大人より慎重に考えるべきです。一度出した顔画像は、パスワードのように後から全面的に取り替えられる情報ではないからです。

AIには答えではなく候補を出させる

AIを使うなら、答えを出させるより、候補を出させる方が安全で実用的です。日本のAI事業者ガイドラインは、人間中心、公平性、プライバシー保護、透明性、アカウンタビリティを共通指針として示しています。OECDも、人権・公平性・プライバシー、透明性と説明可能性、異議申立てや人間の監督の重要性を強調しています。NIST AI RMFも、AIを有効かつ信頼できるものとして扱うために、妥当性、透明性、プライバシー、公平性の管理を求めています。これらを消費者向けに言い換えると、「安定して測れているか」「誰のために並べているか」「あとから戻せるか」を見る、ということです。

実際の使い方は、次の順番が現実的です。
まず、AIに任せる作業を限定します。色候補の列挙、手持ち服との組み合わせ案、価格や用途の比較表など、正解を1つに定めなくてよい作業から始めます。
次に、顔写真が不要な方法を先に試します。文章で、好み、予算、用途、避けたい素材、欲しい印象を伝えるだけでも、候補出しはかなりできます。
そのうえで、候補範囲と利害を確認します。市場全体から選ぶのか、自社商品だけなのか、広告を含むのか、理由説明があるのかを見ます。
写真が必要なら、データ処理を確認します。端末内か送信か、保存するか、学習に使うか、削除できるかです。
出力のさせ方も工夫が必要です。1つの正解ではなく、「3案以上」「代替案」「似合わない可能性」「不確実な点」も出させます。
最後に、実物で検証します。色、質感、サイズ、着心地、時間帯による見え方を確かめ、自分の好みと用途で上書きします。AIと違う選択をしても、それは失敗ではありません。

本記事の結論はシンプルです。AIは、服やコスメ選びの審判としては危ういが、候補出しの補助道具としてはかなり有用です。精度だけでなく、画像が安定しているか、推薦の目的が何か、データ処理が明示されているかを見て、最後は自分の身体感覚と用途に戻す。その使い方なら、AIの便利さを取り込みつつ、決定権を手放しすぎずに済みます。

似合うという判断のどこまでをAIに渡し、どこからを自分の経験として残したいでしょうか。

よくある疑問Q&A

Q.AIのパーソナルカラー診断は信用できますか
候補出しとしては使えますが、最終判定を任せきるのは勧めにくいです。カメラ画像は照明、露出、ホワイトバランス、表示機器の影響を受け、同じ人でも色の見え方が変わります。加えて、学習データやラベル付けの条件が外部から見えない場合、属性別性能を評価しにくいからです。

Q.同じ写真でも結果が変わることはありますか
あります。撮影距離、角度、照明、背景、露出、ホワイトバランスの違いで、AIが受け取る色や輪郭情報が変わるためです。スマートフォン写真に関する研究でも、距離と角度の変化で肌の見え方のばらつきが増えると示されています。

Q.自然光で撮れば正確になりますか
誤差を減らす助けにはなりますが、完全な正確さは保証しません。自然光も時間帯、天候、窓ガラス、反射、室内照明の混在で変わるからです。重要なのは自然光なら安心と思い込むことではなく、条件をそろえて比較し、結果を絶対視しないことです。

Q.AIがおすすめする商品は広告ですか
広告である場合も、そうでない場合もあります。ただし、広告表示がなくても、自社商品や提携商品、在庫優先の候補集合なら中立とは限りません。確認すべきなのは、広告ラベルの有無だけでなく、候補範囲、順位付けのロジック、理由説明の有無です。

Q.顔写真は削除できますか
サービスごとに異なります。PPCやFTCの考え方から見ても、取得目的、保存期間、削除手続、後からの目的変更は分けて確認する必要があります。アカウント削除と画像削除が同じとは限らないので、規約やプライバシーポリシーで個別に確認してください。

Q.顔を隠した写真でも診断できますか
サービスの仕組みによります。全文字入力ベースや、手持ち服・予算・用途ベースの提案なら顔写真がなくても使えます。逆に、顔領域から色や輪郭を抽出する設計のサービスでは、顔を隠すと精度が落ちたり、機能自体が使えなかったりします。まずは写真不要の方法から試すのが無難です。

Q.AIの結果と自分の好みが違う場合はどちらを優先すべきですか
最終判断は自分の好みと用途を優先してよいです。研究でも、皮膚色特性と実際のファンデーション選択に目立つ対応が見られなかった例があり、選択は色数値だけでは決まりません。AIは好みや安心感、場面適合まで一意に測っているわけではありません。

Q.バーチャル試着はサイズ選びにも使えますか
参考にはなりますが、最終決定の根拠としては弱いです。VTOのレビューは、物理的試着を完全には再現できていないと整理しており、サイズ予測の研究でも体型の多様性と既存サイズ体系の不十分さが課題になっています。素材、ゆとり、ブランド差、着心地は実物確認が必要です。

Q.無料サービスほど個人情報リスクが高いのですか
無料か有料かだけでは判断できません。大切なのは、保存・学習利用・第三者提供・国外移転・削除方法が具体的に開示されているかです。FTCも、曖昧な表示や後からの規約変更だけでデータ利用を広げることに警告しています。

Q.AIを使わずに候補を絞る方法はありますか
あります。用途、予算、避けたい素材、欲しい印象、手持ち服との相性を紙やメモで整理するだけでも候補はかなり絞れます。実店舗での試着、色見本の比較、信頼できる第三者の感想を組み合わせる方法も有効です。AIは必須ではなく、選択肢整理を速める道具の1つです。

参考

個人情報保護委員会（2025年更新）「『個人情報の保護に関する法律についてのガイドライン』に関するQ&A」個人情報保護委員会、https://www.ppc.go.jp/personalinfo/faq/APPI_QA/、閲覧日：2026年07月20日。
個人情報保護委員会（継続更新）「個人情報の保護に関する法律についてのガイドライン（通則編）」個人情報保護委員会、https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/、閲覧日：2026年07月20日。
個人情報保護委員会（継続更新）「令和2年改正個人情報保護法特集」個人情報保護委員会、https://www.ppc.go.jp/news/kaiseihou_feature/、閲覧日：2026年07月20日。
消費者庁（継続更新）「景品表示法」消費者庁、https://www.caa.go.jp/policies/policy/representation/fair_labeling、閲覧日：2026年07月20日。
消費者庁（2023）「景品表示法とステルスマーケティング～事例で分かるステルスマーケティング告示ガイドブック～」消費者庁、https://www.caa.go.jp/policies/policy/representation/fair_labeling/assets/representation_cms216_200901_01.pdf、閲覧日：2026年07月20日。
経済産業省・総務省（2025年03月28日）「AI事業者ガイドライン（第1.1版）概要」経済産業省・総務省、https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20250328_2.pdf、閲覧日：2026年07月20日。
NIST（2023）“Artificial Intelligence Risk Management Framework (AI RMF 1.0)” National Institute of Standards and Technology、https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf、閲覧日：2026年07月20日。
OECD（2024年更新）“AI principles” OECD、https://www.oecd.org/en/topics/sub-issues/ai-principles.html、閲覧日：2026年07月20日。
Federal Trade Commission（2024年01月09日）“AI Companies: Uphold Your Privacy and Confidentiality Commitments” FTC、https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/01/ai-companies-uphold-your-privacy-confidentiality-commitments、閲覧日：2026年07月20日。
Federal Trade Commission（2024年02月13日）“AI (and other) Companies: Quietly Changing Your Terms of Service Could Be Unfair or Deceptive” FTC、https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/02/ai-other-companies-quietly-changing-your-terms-service-could-be-unfair-or-deceptive、閲覧日：2026年07月20日。
Federal Trade Commission（2024年04月24日）“Consumer Facing Applications: A Quote Book from the Tech Summit on AI” FTC、https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/04/consumer-facing-applications-quote-book-tech-summit-ai、閲覧日：2026年07月20日。
European Commission（2026年更新）“Article 113: Entry into force and application” AI Act Service Desk、https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-113、閲覧日：2026年07月20日。
European Union（2016）“Regulation (EU) 2016/679” EUR-Lex、https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX%3A32016R0679、閲覧日：2026年07月20日。
International Color Consortium（継続更新）“ICC Frequently asked questions” ICC、https://www.color.org/faqs.xalter、閲覧日：2026年07月20日。
International Color Consortium（2022）“Specification ICC.1:2022” ICC、https://www.color.org/specification/ICC.1-2022-05.pdf、閲覧日：2026年07月20日。
Penczek, J., Boynton, P. A., Splett, J. D.（2014）“Color Error in the Digital Camera Image Capture Process” Journal of Digital Imaging, Springer, https://doi.org/10.1007/s10278-013-9644-1、閲覧日：2026年07月20日。
Cronin, A., Tkaczyk, E. R., Hussain, I., Bowden, A., Saknīte, I.（2023）“Effect of camera distance and angle on color of diverse skin tone-based standards in smartphone photos” Journal of Biophotonics, https://doi.org/10.1002/jbio.202200381、閲覧日：2026年07月20日。
Daneshjou, R., Barata, C., Betz-Stablein, B., et al.（2022）“Checklist for Evaluation of Image-Based Artificial Intelligence Reports in Dermatology: CLEAR Derm Consensus Guidelines From the International Skin Imaging Collaboration Artificial Intelligence Working Group” JAMA Dermatology, https://doi.org/10.1001/jamadermatol.2021.4915、閲覧日：2026年07月20日。
Deldjoo, Y., He, R., McAuley, J., et al.（2023）“A Review of Modern Fashion Recommender Systems” ACM Computing Surveys, https://doi.org/10.1145/3624733、閲覧日：2026年07月20日。
Chen, C., Ni, J., Zhang, P.（2024）“Virtual Try-On Systems in Fashion Consumption: A Systematic Review” Applied Sciences, https://doi.org/10.3390/app142411839、閲覧日：2026年07月20日。
Kim, B., Lee, J., Park, S., Suk, H.-J.（2023）“Method and analysis of color changes of facial skin after applying skin makeup” Vision Research, https://doi.org/10.1016/j.visres.2023.108247、閲覧日：2026年07月20日。
Alhassawi, R., Gill, S., Hayes, S., Brubacher, K.（2025）“Evaluating machine learning models for clothing size prediction using anthropometric measurements from 3D body scanning” Scientific Reports, https://doi.org/10.1038/s41598-025-24584-6、閲覧日：2026年07月20日。
Grother, P.（2022）“Face Recognition Vendor Test Part 8: Summarizing Demographic Differentials” NIST、https://doi.org/10.6028/NIST.IR.8429.ipd、閲覧日：2026年07月20日。
Schumann, C., Olanubi, G. O., Wright, A., et al.（2023）“Consensus and Subjectivity of Skin Tone Annotation for ML Fairness” NeurIPS Datasets and Benchmarks、https://papers.neurips.cc/paper_files/paper/2023/file/60d25b3210c92f5ba2002a8e1f1adf1c-Paper-Datasets_and_Benchmarks.pdf、閲覧日：2026年07月20日。