Vers un essai virtuel précis et réaliste grâce à la correspondance de formes : conclusions et références

Tableau des liens

• Résumé et introduction
• Travaux connexes
• Méthode proposée
• Expériences
• Conclusions et références

5. Conclusions

Dans cet article, nous proposons deux modifications générales au cadre d'essai virtuel : (a) choisir soigneusement la paire produit-modèle à transférer à l'aide d'une incorporation de forme et (b) combiner plusieurs chaînes coordonnées à l'aide de l'inpainting. Nos résultats montrent que les deux modifications conduisent à une amélioration significative de la qualité de la génération. Des exemples qualitatifs démontrent notre capacité à préserver avec précision les détails des vêtements. Cela entraîne des difficultés pour les acheteurs à faire la distinction entre les images de modèles réelles et synthétisées, comme le montrent les résultats de l'étude des utilisateurs.

Les références

1. Alp Guler, R., Neverova, N., Kokkinos, I. : Densepose : estimation de la pose humaine dense dans la nature. Dans : La conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR) (juin 2018)

   
   

2. Ayush, K., Jandial, S., Chopra, A., Krishnamurthy, B. : Promotion de l'essai virtuel via l'apprentissage auxiliaire de la segmentation humaine. Dans : Ateliers de la Conférence internationale de l'IEEE sur la vision par ordinateur (ICCV) (octobre 2019)

   
   

3. Belongie, S., Malik, J., Puzicha, J. : Correspondance de formes et reconnaissance d'objets à l'aide de contextes de forme. PAMI (2002)

   
   

4. Bogo, F., Kanazawa, A., Lassner, C., Gehler, P., Romero, J., Black, MJ : Keep it SMPL : estimation automatique de la pose et de la forme humaine 3D à partir d'une seule image. Dans : ECCV (2016)

   
   

5. Brock, A., Donahue, J., Simonyan, K. : Formation gan à grande échelle pour la synthèse d'images naturelles haute fidélité. Préimpression arXiv arXiv:1809.11096 (2018)

   
   

6. Chen, LC, Zhu, Y., Papandreou, G., Schroff, F., Adam, H. : Encodeur-décodeur avec convolution atreuse séparable pour la segmentation sémantique d'images. Dans : ECCV (2018)

   
   

7. Chen, M., Qin, Y., Qi, L., Sun, Y. : Amélioration de la détection des repères de mode grâce à l'amélioration des fonctionnalités de double attention. Dans : Ateliers ICCV (2019)

   
   

8. Chen, W., Wang, H., Li, Y., Su, H., Wang, Z., Tu, C., Lischinski, D., Cohen-Or, D., Chen, B. : Synthèse d'images d'entraînement pour améliorer l'estimation de la pose humaine en 3D (2015)

   
   

9. Chong, MJ, Forsyth, D. : Fid et score de démarrage effectivement impartiaux et où les trouver. Préimpression arXiv arXiv:1911.07023 (2019)

   
   

10. Danerek, R., Dibra, E., Oztireli, AC, Ziegler, R., Gross, MH : Deepgarment : estimation de la forme d'un vêtement en 3D à partir d'une seule image. Calculer. Graphique. Forum (2017)

    
    

11. Dong, H., Liang, X., Gong, K., Lai, H., Zhu, J., Yin, J. : Gan de déformation à portail souple pour la synthèse d'images de personnes guidées par la pose. Dans : NeurIPS (2018)

    
    

12. Dong, H., Liang, X., Wang, B., Lai, H., Zhu, J., Yin, J. : Vers un réseau d'essais virtuels guidés multi-poses. Dans : ICCV (2019)

    
    

13. Grigor'ev, AK, Sevastopolsky, A., Vakhitov, A., Lempitsky, VS : Inpainting de texture basé sur des coordonnées pour la génération d'images humaines guidées par la pose. CVPR (2019)

    
    

14. Guan, P., Reiss, L., Hirshberg, D., Weiss, A., Black, M. : Drapé : Habiller toute personne. Transactions ACM sur graphiques - TOG (2012)

    
    

15. Han, X., Hu, X., Huang, W., Scott, MR : Clothflow : Un modèle basé sur le flux pour la génération de personnes habillées. Dans : ICCV (2019)

    
    

16. Han, X., Wu, Z., Huang, W., Scott, MR, Davis, LS : Inpainting d'images de mode compatibles et diversifiées (2019)

    
    

17. Han, X., Wu, Z., Wu, Z., Yu, R., Davis, LS : Viton : Un réseau d'essai virtuel basé sur l'image. Dans : CVPR (2018)

    
    

18. Heusel, M., Ramsauer, H., Unterthiner, T., Nessler, B., Hochreiter, S. : Les Gans formés par une règle de mise à jour à deux échelles de temps convergent vers un équilibre de Nash local. Dans : Progrès dans les systèmes de traitement de l'information neuronale. pages 6626 à 6637 (2017)

    
    

19. Hsiao, WL, Grauman, K. : S'habiller pour diverses morphologies. ArXiv (2019)

    
    

20. Hsiao, WL, Katsman, I., Wu, CY, Parikh, D., Grauman, K. : Fashion++ : modifications minimales pour l'amélioration des tenues. Dans : Dans les actes de la Conférence internationale de l'IEEE sur la vision par ordinateur (ICCV) (2019)

    
    

21. Hsieh, CW, Chen, CY, Chou, CL, Shuai, HH, Liu, J., Cheng, WH : Fashionon : essai virtuel basé sur des images à guidage sémantique avec des informations détaillées sur les humains et les vêtements. Dans : MM '19 (2019)

22. HyugJae, Lee, R., Kang, M., Cho, M., Park, G. : La-viton : Un réseau pour des essais virtuels attrayants. Dans : Ateliers ICCV (2019)

    
    

23. Jaderberg, M., Simonyan, K., Zisserman, A., kavukcuoglu, k. : Réseaux de transformateurs spatiaux. Dans : NeurIPS (2015)

    
    

24. Jandial, S., Chopra, A., Ayush, K., Hemani, M., Kumar, A., Krishnamurthy, B. : Sievenet : Un cadre unifié pour un essai virtuel robuste basé sur des images. Dans : WACV (2020)

    
    

25. Jeong, MH, Han, DH, Ko, HS : Capture de vêtement à partir d'une photographie. Journal de visualisation et d'animation par ordinateur (2015)

    
    

26. Ji, D., Kwon, J., McFarland, M., Savarese, S. : Mormorphing en vue profonde. Dans : CVPR (2017)

    
    

27. Kanazawa, A., Black, MJ, Jacobs, DW, Malik, J. : Récupération de bout en bout de la forme et de la pose humaines. CVPR (2018)

    
    

28. Kanazawa, A., Jacobs, D., Chandraker, M. : Warpnet : correspondance faiblement supervisée pour la reconstruction à vue unique. Dans : CVPR (2016)

    
    

29. Karras, T., Laine, S., Aila, T. : Une architecture génératrice basée sur le style pour les réseaux adverses génératifs. Dans : Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes. pages 4401 à 4410 (2019)

    
    

30. Lin, CH, Yumer, E., Wang, O., Shechtman, E., Lucey, S. : St-gan : Réseaux contradictoires génératifs de transformateurs spatiaux pour la composition d'images. Dans : CVPR (2018)

    
    

31. Liu, G., Reda, FA, Shih, KJ, Wang, TC, Tao, A., Catanzaro, B. : Peinture d'images pour trous irréguliers utilisant des convolutions partielles. Dans : ECCV (2018)

    
    

32. Liu, KH, Chen, TY, Chen, CS : Mvc : Un ensemble de données pour la récupération de vêtements invariants par vue et la prédiction d'attributs. Dans : ICMR (2016)

    
    

33. Liu, Z., Luo, P., Qiu, S., Wang, X., Tang, X. : Deepfashion : optimiser la reconnaissance et la récupération de vêtements robustes avec des annotations riches. Dans : CVPR (2016)

    
    

34. McKinsey : État de l'industrie de la mode 2019 (2019)

    
    

35. Natsume, R., Saito, S., Huang, Z., Chen, W., Ma, C., Li, H., Morishima, S. : Siclope : Matériaux supplémentaires pour les personnes habillées basées sur la silhouette. Dans : CVPR (2019)

    
    

36. Neverova, N., Gler, RA, Kokkinos, I. : Transfert de pose dense. Dans : ECCV (2018)

    
    

37. Raffiee, AH, Sollami, M. : Garmentgan : Transfert de mode contradictoire photo-réaliste (2020)

    
    

38. Raj, A., Sangkloy, P., Chang, H., Hays, J., Ceylan, D., Lu, J. : Swapnet : transfert de vêtements basé sur l'image. Dans : ECCV (2018)

    
    

39. Rocco, I., Arandjelovi´c, R., Sivic, J. : Architecture de réseau neuronal convolutif pour la correspondance géométrique. Dans : CVPR (2017)

    
    

40. Saito, S., Huang, Z., Natsume, R., Morishima, S., Kanazawa, A., Li, H. : Pifu : Fonction implicite alignée sur les pixels pour la numérisation humaine habillée haute résolution. ICCV (2019)

    
    

41. Schroff, F., Kalenichenko, D., Philbin, J. : Facenet : une intégration unifiée pour la reconnaissance faciale et le clustering. Dans : CVPR (2015)

    
    

42. Song, D., Li, T., Mao, Z., Liu, A. : Sp-viton : réseau d'essai virtuel basé sur des images préservant la forme. Outils et applications multimédias (2019)

    
    

43. Suzuki, S., Abe, K. : Analyse structurale topologique d'images binaires numérisées par suivi de bordure. Vision par ordinateur, graphisme et traitement d'images (1985)

    
    

44. Vaccaro, K., Agarwalla, T., Shivakumar, S., Kumar, R. : Concevoir l'avenir de la mode personnelle. Dans : Actes de la conférence CHI 2018 sur les facteurs humains dans les systèmes informatiques (2018)

    
    

45. Wang, B., Zheng, H., Liang, X., Chen, Y., Lin, L. : Vers un réseau d'essai virtuel basé sur des images préservant les caractéristiques. Dans : Actes de la Conférence européenne sur la vision par ordinateur (ECCV) (2018)

    
    

46. Wang, J., Zhang, W., Liu, WH, Mei, T. : Jusqu'au moindre détail : essai virtuel avec sculpture détaillée. ArXiv (2019)

    
    

47. Wu, Z., Lin, G., Tao, Q., Cai, J. : M2e-try sur net : La mode du mannequin à tout le monde. Dans : MM '19 (2018)

    
    

48. Yang, C., Lu, X., Lin, Z., Shechtman, E., Wang, O., Li, H. : Inpainting d'images haute résolution utilisant la synthèse de patchs neuronaux multi-échelles. Dans : CVPR (2017)

    
    

49. Yu, J., Lin, Z., Yang, J., Shen, X., Lu, X., Huang, TS : Inpainting d'images de forme libre avec convolution fermée. Dans : ICCV (2019)

    
    

50. Yu, J., Lin, ZL, Yang, J., Shen, X., Lu, X., Huang, TS : Peinture d'images génératives avec attention contextuelle. Dans : CVPR (2018)

    
    

51. Yu, L., Zhong, Y., Wang, X. : Réseau d'essai virtuel basé sur la peinture pour le transfert sélectif de vêtements. Accès IEEE (2019)

    
    

52. Yu, L., Zhong, Y., Wang, X. : Réseau d'essai virtuel basé sur la peinture pour le transfert sélectif de vêtements. Accès IEEE (2019)

    
    

53. Yu, R., Wang, X., Xie, X. : Vtnfp : Un réseau d'essayage virtuel basé sur l'image avec préservation des caractéristiques du corps et des vêtements

    
    

54. Zhang, H., Goodfellow, I., Metaxas, D., Odena, A. : Réseaux contradictoires génératifs d'auto-attention. Préimpression arXiv arXiv:1805.08318 (2018)

    
    

55. Zheng, N., Song, X., Chen, Z., Hu, L., Cao, D., Nie, L. : Essayer virtuellement de nouveaux vêtements avec des poses arbitraires. Dans : MM '19 (2019)

    
    

56. Zheng, S., Yang, F., Kiapour, MH, Piramuthu, R. : Modanet : Un ensemble de données de mode de rue à grande échelle avec des annotations de polygones. Dans : ACM Multimédia (2018)

    
    

57. Zhu, S., Fidler, S., Urtasun, R., Lin, D., Chen, CL : Soyez votre propre prada : synthèse de mode avec cohérence structurelle. Dans : CVPR (2017)