Yazarlar:  (1) Kedan Li, Urbana-Champaign'deki Illinois Üniversitesi;  (2) Min Jin Chong, Urbana-Champaign'deki Illinois Üniversitesi;  (3) Jingen Liu, JD AI Araştırması;  (4) David Forsyth, Illinois Üniversitesi, Urbana-Champaign.  Bağlantı Tablosu   Özet ve Giriş   Alakalı iş   Önerilen yöntem   Deneyler   Sonuçlar ve Referanslar  3. Önerilen Yöntem  Yöntemimizin iki bileşeni vardır.   (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.   (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.  Şekil Eşleştirme Ağı Çoklu Çözgü Deneme Ağı  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   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.  birden çok özel çözgü    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 Kaybı:  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.   Bu makale   . arxiv'de CC BY-NC-SA 4.0 DEED lisansı altında mevcuttur

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

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

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps