Şekil Eşleştirme Yoluyla Doğru, Gerçekçi Sanal Denemeye Doğru: Önerilen Yöntem

Bağlantı Tablosu

• Özet ve Giriş
• Alakalı iş
• Önerilen yöntem
• Deneyler
• Sonuçlar ve Referanslar

3. Önerilen Yöntem

Yöntemimizin iki bileşeni vardır. Şekil Eşleştirme Ağı (SMN; Şekil 2 ve 3), aktarımı gerçekleştirmek için şekil açısından uyumlu giysi modeli çiftlerinin seçilmesine yönelik bir yerleştirmeyi öğrenir. Ürün ve model görselleri, yerleştirme alanında yakındaki ürün (veya model) görselleri bulunarak eşleştirilir. Çoklu Çözgü Deneme Ağı (MTN; Şekil 4), bir giysi görüntüsünü, bir model görüntüsünü ve değiştirilecek giysiyi model üzerinde kaplayan bir maskeyi alır ve sağlanan giysiyi giyen modelin gerçekçi bir sentez görüntüsünü oluşturur. Ağ, ortak olarak eğitilmiş bir warper ve bir iç boyama ağından oluşur. Çözgü makinesi, ürün görüntüsünün her biri belirli özelliklerde uzmanlaşmış k adet çözgü üretir. İç boyama ağı, her çözgüden hangi özelliklerin aranacağını seçerek çözgüleri birleştirmeyi öğrenir. SMN ve MTN ayrı ayrı eğitilir.

3.1 Şekil Eşleştirme Ağı

Gömme kaybı, iki alanın özellik yazışmasını yakalamak ve ağ mimarisine yerleştirilmiş dikkat mekanizmasının güçlendirilmesine yardımcı olmak için kullanılır. Mekansal dikkat mimarisine ilişkin ayrıntılar Ek Malzemelerde bulunmaktadır.

3.2 Çoklu Çözgü Deneme Ağı

Önceki çalışmalarda olduğu gibi [17,45], sistemimiz ayrıca iki modülden oluşur: (a) ürün görüntüsünü maskeyle hizalayarak birden çok özel çözgü oluşturmak için bir çözgü; (b) çarpıklıkları maskelenmiş modelle birleştirmek ve sentez görüntüsünü üretmek için bir iç boyama modülü. Önceki çalışmanın aksine [17,45], iki modül ayrı ayrı değil birlikte eğitilir, böylece iç boyacı çözgü makinesini yönlendirir.

Kademeli Kaybı: Birden fazla warp ile her warp, önceki warplar wj tarafından yapılan hataları ele alacak şekilde eğitilir; burada j < i. K'inci çözgü için, her pikseldeki önceki tüm çözgüler arasındaki minimum kaybı şu şekilde yazılır:

Kademeli kayıp, tüm çözgüler için ortalama kaybı hesaplar. Dönüşüm parametrelerine ek bir düzenleme koşulları uygulanır, böylece daha sonraki tüm çözgüler ilk çözgüye yakın kalır.

Kademeli kayıp, tüm warplar arasında bir hiyerarşiyi zorlayarak, daha önceki bir warp'un hata yapmasını daha sonraki bir warp'a göre daha maliyetli hale getirir. Bu, eğitim sırasında olası salınımı önler (birden fazla çözgü optimum için rekabet eder). Bu fikir güçlendirmeyle karşılaştırılabilir ancak yine de farklıdır çünkü tüm çözgüler eğimi paylaşır, bu da daha önceki çözgülerin daha sonraki çözgülere göre ayarlanmasını mümkün kılar.