Autoren:  (1) Kedan Li, Universität von Illinois in Urbana-Champaign;  (2) Min Jin Chong, Universität von Illinois in Urbana-Champaign;  (3) Jingen Liu, JD AI Research;  (4) David Forsyth, Universität von Illinois in Urbana-Champaign.  Linktabelle   Zusammenfassung und Einleitung   Ähnliche Projekte   Vorgeschlagene Methode   Experimente   Schlussfolgerungen und Referenzen  3. Vorgeschlagene Methode  Unsere Methode besteht aus zwei Komponenten. Ein   (SMN; Abbildung 2 und 3) lernt eine Einbettung, um formmäßig kompatible Kleidungsstück-Modell-Paare für die Übertragung auszuwählen. Produkt- und Modellbilder werden abgeglichen, indem Produkt- (bzw. Modell-)Bilder gefunden werden, die sich im Einbettungsraum in der Nähe befinden. Ein   (MTN; Abbildung 4) nimmt ein Kleidungsstückbild, ein Modellbild und eine Maske auf, die das zu wechselnde Kleidungsstück am Modell bedeckt, und erzeugt ein realistisches Synthesebild des Modells, das das bereitgestellte Kleidungsstück trägt. Das Netzwerk besteht aus einem Warper und einem Inpainting-Netzwerk, die gemeinsam trainiert werden. Der Warper erzeugt k Warps des Produktbilds, die jeweils auf bestimmte Merkmale spezialisiert sind. Das Inpainting-Netzwerk lernt, Warps zu kombinieren, indem es auswählt, nach welchen Merkmalen in jedem Warp gesucht werden soll. SMN und MTN werden separat trainiert.  Shape Matching Net Multi-Warp Try-on Net  3.1 Formanpassungsnetz   Der Einbettungsverlust wird verwendet, um die Merkmalskorrespondenz der beiden Domänen zu erfassen und den in die Netzwerkarchitektur eingebetteten Aufmerksamkeitsmechanismus zu erzwingen. Einzelheiten zur räumlichen Aufmerksamkeitsarchitektur finden Sie in den Zusatzmaterialien.   3.2 Mehrkettiges Anprobenetz   Wie bei früheren Arbeiten [17,45] besteht auch unser System aus zwei Modulen: (a) einem Warper zum Erstellen   , indem das Produktbild mit der Maske ausgerichtet wird; (b) einem Inpainting-Modul zum Kombinieren der Warps mit dem maskierten Modell und zum Erstellen des Synthesebilds. Anders als bei früheren Arbeiten [17,45] werden die beiden Module gemeinsam und nicht getrennt trainiert, sodass der Inpainting-Modul den Warper steuert.  mehrerer spezialisierter Warps    Bei mehreren Warps wird jeder Warp wi trainiert, um die Fehler vorheriger Warps wj zu beheben, wobei j < i ist. Für den k-ten Warp berechnen wir den minimalen Verlust aller vorherigen Warps für jedes Pixel, ausgedrückt als  Kaskadenverlust:  Der Kaskadenverlust berechnet den durchschnittlichen Verlust für alle Warps. Für die Transformationsparameter wird ein zusätzlicher Regularisierungsterm erzwungen, sodass alle späteren Warps in der Nähe des ersten Warps bleiben.   Der Kaskadenverlust erzwingt eine Hierarchie zwischen allen Warps, sodass es für einen früheren Warp kostspieliger ist, einen Fehler zu machen, als für einen späteren Warp. Dies verhindert mögliche Schwankungen während des Trainings (mehrere Warps konkurrieren um das Optimum). Die Idee ist mit Boosting vergleichbar, aber dennoch anders, da alle Warps einen Gradienten gemeinsam haben, wodurch es früheren Warps möglich ist, sich entsprechend späterer Warps anzupassen.   Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY-NC-SA 4.0 DEED verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

PolyFrame publishes academic papers about computational framework manipulation of reciprocal polyhedrons.

Polyframe 's blog

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Auf dem Weg zur präzisen, realistischen virtuellen Anprobe durch Formabgleich: Vorgeschlagene Methode

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps