Auteurs:  (1) Kedan Li, Université de l'Illinois à Urbana-Champaign ;  (2) Min Jin Chong, Université de l'Illinois à Urbana-Champaign ;  (3) Jingen Liu, JD AI Research ;  (4) David Forsyth, Université de l'Illinois à Urbana-Champaign.  Tableau des liens   Résumé et introduction   Travaux connexes   Méthode proposée   Expériences   Conclusions et références  3. Méthode proposée  Notre méthode comporte deux volets. Un   (SMN ; figures 2 et 3) apprend une intégration pour choisir des paires vêtement-modèle compatibles en termes de forme pour effectuer le transfert. Les images de produits et de modèles sont mises en correspondance en recherchant des images de produits (resp. modèles) proches dans l'espace d'intégration. Un   (MTN ; figure 4) prend en compte une image de vêtement, une image de modèle et un masque recouvrant le vêtement à changer sur le modèle et génère une image de synthèse réaliste du modèle portant le vêtement fourni. Le réseau est constitué d'un réseau warper et d'un réseau inpainting, formés conjointement. Le warper produit des k chaînes de l'image du produit, chacune spécialisée sur certaines fonctionnalités. Le réseau d'inpainting apprend à combiner les chaînes en choisissant les caractéristiques à rechercher dans chaque chaîne. SMN et MTN sont formés séparément.  réseau de correspondance de forme filet d'essai multi-chaînes  3.1 Filet de correspondance de forme   La perte d'intégration est utilisée pour capturer la correspondance des fonctionnalités des deux domaines et aider à renforcer le mécanisme d'attention intégré dans l'architecture du réseau. Les détails sur l'architecture de l'attention spatiale se trouvent dans les documents supplémentaires.   3.2 Filet d'essai multi-chaînes   Comme pour les travaux antérieurs [17,45], notre système se compose également de deux modules : (a) un warper pour créer   , en alignant l'image du produit avec le masque ; (b) un module d'inpainting pour combiner les chaînes avec le modèle masqué et produire l'image de synthèse. Contrairement aux travaux antérieurs [17, 45], les deux modules sont formés conjointement plutôt que séparément, de sorte que l'inpainter guide l'ourdisseur.  plusieurs chaînes spécialisées    avec plusieurs chaînes, chaque chaîne wi est entraînée pour corriger les erreurs commises par les chaînes précédentes wj où j < i. Pour la k ème chaîne, nous calculons la perte minimale parmi toutes les chaînes précédentes à chaque pixel, écrite sous la forme  Perte en cascade :  La perte en cascade calcule la perte moyenne pour toutes les déformations. Des termes de régularisation supplémentaires sont appliqués aux paramètres de transformation, de sorte que toutes les chaînes ultérieures restent proches de la première chaîne.   La perte en cascade impose une hiérarchie entre toutes les chaînes, ce qui rend plus coûteuse une erreur pour une chaîne antérieure que pour une chaîne ultérieure. Cela évite d'éventuelles oscillations pendant l'entraînement (plusieurs chaînes se disputent l'optimum). L'idée est comparable au boosting, mais pourtant différente car toutes les chaînes partagent un gradient, ce qui permet aux chaînes antérieures de s'ajuster en fonction des chaînes ultérieures.   Cet article est   sous licence CC BY-NC-SA 4.0 DEED. disponible sur 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

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

Vers un essai virtuel précis et réaliste grâce à la correspondance de forme : méthode proposée

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

La fuite de l'invite du système Claude Sonnet 3.5 : une analyse médico-légale

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps