tác giả:  (1) Kedan Li, Đại học Illinois tại Urbana-Champaign;  (2) Min Jin Chong, Đại học Illinois tại Urbana-Champaign;  (3) Jingen Liu, JD AI Research;  (4) David Forsyth, Đại học Illinois tại Urbana-Champaign.  Bảng liên kết   Tóm tắt và giới thiệu   Công việc có liên quan   Phương án đề xuất   Thí nghiệm   Kết luận và tài liệu tham khảo  3. Phương pháp đề xuất  Phương pháp của chúng tôi có hai thành phần.   (SMN; Hình 2 và 3) học cách nhúng để chọn các cặp mẫu quần áo tương thích về hình dạng để thực hiện chuyển giao. Hình ảnh sản phẩm và mô hình được so khớp bằng cách tìm hình ảnh sản phẩm (mô hình tương ứng) ở gần trong không gian nhúng. Lưới   (MTN; Hình 4) lấy hình ảnh quần áo, hình ảnh người mẫu và mặt nạ che quần áo cần thay trên mô hình và tạo ra hình ảnh tổng hợp thực tế của người mẫu mặc trang phục được cung cấp. Mạng bao gồm một mạng warper và một mạng inpaint, được đào tạo chung. Warper tạo ra k đường cong của hình ảnh sản phẩm, mỗi đường cong chuyên biệt về một số tính năng nhất định. Mạng inpainting học cách kết hợp các sợi dọc bằng cách chọn các tính năng cần tìm từ mỗi sợi dọc. SMN và MTN được đào tạo riêng.  Lưới so khớp hình dạng thử đa sợi dọc  3.1 Lưới phù hợp hình dạng   Việc mất nhúng được sử dụng để nắm bắt sự tương ứng về tính năng của hai miền và giúp thực thi cơ chế chú ý được nhúng trong kiến trúc mạng. Thông tin chi tiết về kiến trúc chú ý không gian có trong Tài liệu bổ sung.   3.2 Mạng thử đa sợi dọc   Giống như công việc trước đây [17,45], hệ thống của chúng tôi cũng bao gồm hai mô-đun: (a) một công cụ làm cong vênh để tạo ra   , bằng cách căn chỉnh hình ảnh sản phẩm với mặt nạ; (b) một mô-đun inpainting để kết hợp các sợi dọc với mô hình được che và tạo ra hình ảnh tổng hợp. Không giống như công việc trước đây [17,45], hai mô-đun được đào tạo chung chứ không phải riêng biệt, do đó người thợ sơn sẽ hướng dẫn thợ làm cong.  nhiều sợi dọc chuyên dụng    Với nhiều sợi dọc, mỗi sợi dọc được huấn luyện để giải quyết các lỗi do các sợi dọc trước đó mắc phải wj trong đó j < i. Đối với sợi dọc thứ k, chúng tôi tính toán tổn thất tối thiểu trong số tất cả các sợi dọc trước đó ở mỗi pixel, được viết là  Mất tầng:  Suy hao theo tầng tính toán tổn thất trung bình cho tất cả các sợi dọc. Một thuật ngữ chính quy hóa bổ sung được thực thi trên các tham số chuyển đổi, do đó tất cả các sợi dọc sau sẽ ở gần sợi dọc đầu tiên.   Sự mất mát theo tầng buộc phải phân cấp giữa tất cả các sợi dọc, khiến cho sợi dọc trước mắc lỗi sẽ tốn kém hơn so với sợi dọc sau. Điều này ngăn chặn sự dao động có thể xảy ra trong quá trình huấn luyện (nhiều sợi dọc cạnh tranh để đạt được mức tối ưu). Ý tưởng này có thể so sánh với việc tăng cường, nhưng vẫn khác vì tất cả các sợi dọc đều có chung độ dốc, giúp các sợi dọc trước đó có thể điều chỉnh theo các sợi dọc sau.   Bài viết này   theo giấy phép CC BY-NC-SA 4.0 DEED. có sẵn trên 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

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

Boost your HackerNoon story @ $159.99! 🚀

Hướng tới việc thử nghiệm ảo chính xác, thực tế thông qua việc khớp hình dạng: Phương pháp được đề xuất

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

189 Stories To Learn About Reading Books

179 Stories To Learn About Reading

94 Stories To Learn About John Locke

178 Stories To Learn About Essay

189 Stories To Learn About Reading Books

179 Stories To Learn About Reading

94 Stories To Learn About John Locke

178 Stories To Learn About Essay

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps