Autores:  (1) Kedan Li, Universidade de Illinois em Urbana-Champaign;  (2) Min Jin Chong, Universidade de Illinois em Urbana-Champaign;  (3) Jingen Liu, JD AI Research;  (4) David Forsyth, Universidade de Illinois em Urbana-Champaign.  Tabela de links   Resumo e introdução   Trabalho relatado   Método proposto   Experimentos   Conclusões e Referências  3. Método proposto  Nosso método tem dois componentes. Uma   (SMN; Figuras 2 e 3) aprende uma incorporação para escolher pares de modelos de vestuário compatíveis com a forma para realizar a transferência. As imagens do produto e do modelo são combinadas encontrando imagens do produto (respectivamente modelo) que estão próximas no espaço de incorporação. Uma   (MTN; Figura 4) captura uma imagem de peça de roupa, uma imagem de modelo e uma máscara cobrindo a peça de roupa a ser trocada no modelo e gera uma imagem de síntese realista do modelo vestindo a peça de roupa fornecida. A rede é composta por um urdidor e uma rede de pintura, treinados em conjunto. O warper produz k distorções da imagem do produto, cada uma especializada em determinados recursos. A rede de pintura aprende a combinar warps escolhendo quais recursos procurar em cada warp. SMN e MTN são treinados separadamente.  rede de correspondência de formas rede de teste multi-urdidura  3.1 Rede de correspondência de formas   A perda de incorporação é usada para capturar a correspondência de recursos dos dois domínios e ajudar a reforçar o mecanismo de atenção incorporado na arquitetura da rede. Detalhes sobre a arquitetura de atenção espacial estão em Materiais Suplementares.   3.2 Rede de teste multi-warp   Tal como acontece com trabalhos anteriores [17,45], nosso sistema também consiste em dois módulos: (a) um warper para criar   , alinhando a imagem do produto com a máscara; (b) um módulo de pintura para combinar os warps com o modelo mascarado e produzir a imagem de síntese. Ao contrário do trabalho anterior [17,45], os dois módulos são treinados em conjunto e não separadamente, de modo que o pintor guia o urdidor.  múltiplos warps especializados    Com múltiplos warps, cada warp wi é treinado para corrigir os erros cometidos pelos warps anteriores wj onde j <i. Para o k-ésimo warp, calculamos a perda mínima entre todos os warps anteriores em cada pixel, escrita como  Perda em cascata:  A perda em cascata calcula a perda média para todos os warps. Termos de regularização adicionais são aplicados nos parâmetros de transformação, de modo que todos os warps posteriores permaneçam próximos do primeiro warp.   A perda em cascata impõe uma hierarquia entre todos os warps, tornando mais caro para um warp anterior cometer um erro do que para um warp posterior. Isto evita possíveis oscilações durante o treinamento (múltiplos warps competem pelo ideal). A ideia é comparável ao boosting, mas ainda assim diferente porque todas as deformações compartilham gradiente, tornando possível que as deformações anteriores se ajustem de acordo com as deformações posteriores.   Este artigo está   sob licença CC BY-NC-SA 4.0 DEED. disponível no 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 áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

Rumo a um teste virtual preciso e realista por meio da correspondência de formas: método proposto

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Uma breve introdução à teoria do cérebro de Boltzmann

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Uma breve introdução à teoria do cérebro de Boltzmann

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps