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！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

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

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

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

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

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

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps