作者：  （1） Kedan Li，伊利诺伊大学香槟分校；  （2） Min Jin Chong，伊利诺伊大学香槟分校；  （3）刘金根，京东人工智能研究院；  （4）戴维·福赛斯（David Forsyth），伊利诺伊大学香槟分校。 链接表 摘要和简介 相关工作 提出的方法 实验 结论和参考文献 3.提出的方法 我们的方法有两个组成部分。 (SMN；图 2 和 3) 学习嵌入，以选择形状兼容的服装-模型对来执行传输。通过查找嵌入空间中附近的产品（分别为模型）图像来匹配产品和模型图像。 (MTN；图 4) 输入服装图像、模型图像和覆盖模型上待换服装的蒙版，并生成模特穿着所提供服装的逼真的合成图像。该网络由联合训练的扭曲器和修复网络组成。扭曲器产生产品图像的 k 个扭曲，每个扭曲都专注于某些特征。修复网络学习通过选择从每个扭曲中寻找哪些特征来组合扭曲。SMN 和 MTN 是分开训练的。  形状匹配网络 多扭曲试穿网络  3.1 形状匹配网络 嵌入损失用于捕捉两个域的特征对应关系，并帮助强化嵌入在网络架构中的注意力机制。有关空间注意力架构的详细信息请参阅补充材料。   3.2 多经试穿网 与先前的研究 [17,45] 一样，我们的系统也由两个模块组成：(a) 一个变形器，通过将产品图像与蒙版对齐来创建 ；(b) 一个修复模块，将变形与蒙版模型相结合并生成合成图像。与先前的研究 [17,45] 不同，这两个模块是联合训练的，而不是单独训练的，因此修复器会引导变形器。  多个专门的变形 对于多个 warp，每个 warp wi 都经过训练以解决先前 warp wj 所犯的错误，其中 j < i。对于第 k 个 warp，我们计算每个像素的所有先前 warp 中的最小损失，写为 级联损失： 级联损失计算所有扭曲的平均损失。对变换参数强制执行额外的正则化项，因此所有后续扭曲都接近第一个扭曲。  级联损失在所有 Warp 之间强制实施层次结构，使得较早 Warp 出错的成本比较晚 Warp 更高。这可以防止训练期间可能出现的震荡（多个 Warp 竞争最优）。该想法与提升类似，但又有所不同，因为所有 Warp 共享梯度，使得较早 Warp 能够根据较晚 Warp 进行调整。  该论文 。 可在 arxiv 上根据 CC BY-NC-SA 4.0 DEED 许可获取

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

該音頻是用故事的原始語言製作的！

通过形状匹配实现准确、逼真的虚拟试穿：建议方法

About Author

註釋

標籤

这篇文章刊登在

Related Stories

架构师指南：构建 AI/ML 数据湖参考架构

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

如何将您的工作流程提高 10 倍：17 个必备应用程序

看不见的层面：为什么用户访谈是不可替代的资产

架构师指南：构建 AI/ML 数据湖参考架构

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

如何将您的工作流程提高 10 倍：17 个必备应用程序

看不见的层面：为什么用户访谈是不可替代的资产

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps