Autores:  (1) Kedan Li, Universidad de Illinois en Urbana-Champaign;  (2) Min Jin Chong, Universidad de Illinois en Urbana-Champaign;  (3) Jingen Liu, JD Investigación de IA;  (4) David Forsyth, Universidad de Illinois en Urbana-Champaign.  Tabla de enlaces   Resumen e introducción   Trabajo relacionado   Método propuesto   experimentos   Conclusiones y referencias  3. Método propuesto  Nuestro método tiene dos componentes. Una   (SMN; Figuras 2 y 3) aprende una incrustación para elegir pares de prendas y modelos compatibles en cuanto a formas para realizar la transferencia. Las imágenes de productos y modelos se relacionan buscando imágenes de productos (o modelos) que estén cerca en el espacio de inserción. Una   (MTN; Figura 4) toma una imagen de prenda, una imagen de modelo y una máscara que cubre la prenda que se va a cambiar en el modelo y genera una imagen de síntesis realista del modelo que lleva la prenda proporcionada. La red consta de un urdidor y una red inpainting, entrenados conjuntamente. El warper produce k deformaciones de la imagen del producto, cada una especializada en determinadas características. La red inpainting aprende a combinar deformaciones eligiendo qué características buscar en cada deformación. SMN y MTN se entrenan por separado.  red de coincidencia de formas red de prueba de deformación múltiple  3.1 Red de combinación de formas   La pérdida de incrustación se utiliza para capturar la correspondencia de características de los dos dominios y ayudar a aplicar el mecanismo de atención integrado en la arquitectura de la red. Los detalles sobre la arquitectura de atención espacial se encuentran en Materiales complementarios.   3.2 Red de prueba multiurdimbre   Al igual que en trabajos anteriores [17,45], nuestro sistema también consta de dos módulos: (a) un urdidor para crear   , alineando la imagen del producto con la máscara; (b) un módulo de pintura para combinar las deformaciones con el modelo enmascarado y producir la imagen de síntesis. A diferencia del trabajo anterior [17,45], los dos módulos se entrenan de forma conjunta y no por separado, por lo que el pintor interno guía al urdidor.  múltiples deformaciones especializadas    con múltiples deformaciones, cada deformación wi está entrenada para abordar los errores cometidos por deformaciones anteriores wj donde j <i. Para la k-ésima deformación, calculamos la pérdida mínima entre todas las deformaciones anteriores en cada píxel, escrita como  Pérdida en cascada:  La pérdida en cascada calcula la pérdida promedio para todas las deformaciones. Se aplican términos de regularización adicionales en los parámetros de transformación, por lo que todas las deformaciones posteriores permanecen cerca de la primera deformación.   La pérdida en cascada impone una jerarquía entre todas las deformaciones, lo que hace que sea más costoso para una deformación anterior cometer un error que para una deformación posterior. Esto evita posibles oscilaciones durante el entrenamiento (múltiples deformaciones compiten por lo óptimo). La idea es comparable con el impulso, pero diferente porque todas las deformaciones comparten gradiente, lo que hace posible que las deformaciones anteriores se ajusten de acuerdo con las deformaciones posteriores.   Este documento está   bajo licencia CC BY-NC-SA 4.0 DEED. disponible en arxiv

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

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

Hacia una prueba virtual precisa y realista mediante la combinación de formas: método propuesto

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps