Fugu-MT 論文翻訳(概要): Toward Accurate and Realistic Virtual Try-on Through Shape Matching and Multiple Warps

論文の概要: Toward Accurate and Realistic Virtual Try-on Through Shape Matching and Multiple Warps

arxiv url: http://arxiv.org/abs/2003.10817v2
Date: Fri, 27 Mar 2020 01:15:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 05:41:26.269206
Title: Toward Accurate and Realistic Virtual Try-on Through Shape Matching and Multiple Warps
Title（参考訳）: 形状マッチングと複数ワープによる高精度でリアルな仮想試行に向けて
Authors: Kedan Li, Min Jin Chong, Jingen Liu, David Forsyth
Abstract要約: 仮想試行法は、製品画像とモデルの画像とを取り、製品を身に着けているモデルの画像を生成する。ほとんどの手法は基本的に製品画像からモデル画像へのワープを計算し、画像生成法を用いて組み合わせる。本稿では, (a)任意のワーピング手法に対して, (b) 目標モデルを自動選択して結果を改善すること, (b) 複数のコーディネートされた特別なウォレットを学習することで, 結果をさらに改善できることを実証するために, 困難で斬新なデータセットの定量的評価を用いる。
参考スコア（独自算出の注目度）: 25.157142707318304
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A virtual try-on method takes a product image and an image of a model and produces an image of the model wearing the product. Most methods essentially compute warps from the product image to the model image and combine using image generation methods. However, obtaining a realistic image is challenging because the kinematics of garments is complex and because outline, texture, and shading cues in the image reveal errors to human viewers. The garment must have appropriate drapes; texture must be warped to be consistent with the shape of a draped garment; small details (buttons, collars, lapels, pockets, etc.) must be placed appropriately on the garment, and so on. Evaluation is particularly difficult and is usually qualitative. This paper uses quantitative evaluation on a challenging, novel dataset to demonstrate that (a) for any warping method, one can choose target models automatically to improve results, and (b) learning multiple coordinated specialized warpers offers further improvements on results. Target models are chosen by a learned embedding procedure that predicts a representation of the products the model is wearing. This prediction is used to match products to models. Specialized warpers are trained by a method that encourages a second warper to perform well in locations where the first works poorly. The warps are then combined using a U-Net. Qualitative evaluation confirms that these improvements are wholesale over outline, texture shading, and garment details.
Abstract（参考訳）: 仮想試行法は、製品画像とモデルの画像とを取り、製品を身に着けているモデルの画像を生成する。ほとんどの手法は基本的に製品画像からモデル画像へのワープを計算し、画像生成法を用いて組み合わせる。しかし, 現実的な画像の取得は, 衣服のキネマティクスが複雑であり, 画像のアウトライン, テクスチャ, シェーディングの手がかりが人間の視聴者の誤りを露呈するため, 困難である。服は適度な垂れ下がれでなければならないし、食感はドレープされた服の形と一致させるために反り、小細部(ボタン、首輪、ラペル、ポケットなど)を服に適当に置く必要がある。評価は特に難しく、通常は質的である。本稿では、挑戦的で斬新なデータセットの定量的評価を用いてそれを実証する。 (a)どのウォーピング法でも、結果を改善するために自動的にターゲットモデルを選択でき、 (b)複数の調整された特殊兵器の学習は結果をさらに改善する。ターゲットモデルは、モデルが着ている製品の表現を予測する学習された埋め込み手順によって選択されます。この予測は製品とモデルとの一致に使用される。スペシャライズド・ウォーパーは、第2のワーパーが第1のワーパーがうまく機能しない場所でうまく機能するように促す方法によって訓練される。ワープはU-Netで結合される。質的評価は、これらの改善がアウトライン、テクスチャシェーディング、衣料品の細部に対するホールセールであることを確認する。

関連論文リスト

PrefPaint: Aligning Image Inpainting Diffusion Model with Human Preference [62.72779589895124]
画像インペイントのための拡散モデルと人間の審美基準との整合性を、強化学習フレームワークを用いて初めて試みる。我々は、人間の好みを付加した約51,000枚の画像からなるデータセットで報酬モデルを訓練する。画像拡張や3次元再構成などの下流タスクの塗装比較実験により, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-10-29T11:49:39Z)
Information Theoretic Text-to-Image Alignment [49.396917351264655]
本稿では,ステア画像生成のための情報理論アライメント尺度を用いた新しい手法を提案する。提案手法は最先端の手法よりも優れているが,MIを推定するためには事前学習されたデノナイジングネットワークを必要としない。
論文参考訳（メタデータ） (2024-05-31T12:20:02Z)
Improving Diffusion Models for Authentic Virtual Try-on in the Wild [53.96244595495942]
本稿では,キュレートされた衣服を身に着けている人のイメージをレンダリングする,イメージベースの仮想試行について考察する。衣服の忠実度を改善し,仮想試行画像を生成する新しい拡散モデルを提案する。本稿では,一対の人着画像を用いたカスタマイズ手法を提案する。
論文参考訳（メタデータ） (2024-03-08T08:12:18Z)
A Two-stage Personalized Virtual Try-on Framework with Shape Control and Texture Guidance [7.302929117437442]
本稿では,2段階(形状制御とテクスチャガイダンス)を用いて衣服属性を分離する,新しい仮想試行モデル(PE-VITON)を提案する。提案モデルでは, 衣服の折り畳みの弱さ, 複雑な姿勢下での創出効果の低下, 衣服のぼやけた縁, 従来の試行法では不明瞭なテクスチャスタイルを効果的に解決することができる。
論文参考訳（メタデータ） (2023-12-24T13:32:55Z)
StableVITON: Learning Semantic Correspondence with Latent Diffusion Model for Virtual Try-On [35.227896906556026]
衣服画像と人物画像が与えられた場合、画像ベースの仮想試行は、衣服画像の特徴を自然に正確に反映した、カスタマイズされた画像を生成することを目的としている。本研究では,事前学習した拡散モデルの適用性を拡張し,仮想試行作業に独立して利用できるようにすることを目的とする。提案するゼロ・クロスアテンションブロックは, 意味的対応を学習することで衣服の細部を保存できるだけでなく, ワープ過程における事前学習モデル固有の知識を利用して高忠実度画像を生成する。
論文参考訳（メタデータ） (2023-12-04T08:27:59Z)
Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
論文参考訳（メタデータ） (2022-11-22T18:59:50Z)
Weakly Supervised High-Fidelity Clothing Model Generation [67.32235668920192]
本稿では,このシナリオに対応するために,DGP (Deep Generative Projection) と呼ばれる安価でスケーラブルな弱教師付き手法を提案する。衣服と身体の粗いアライメントをStyleGAN空間に投影することで、フォトリアリスティックな着用結果が得られることを示す。
論文参考訳（メタデータ） (2021-12-14T07:15:15Z)
Arbitrary Virtual Try-On Network: Characteristics Preservation and Trade-off between Body and Clothing [85.74977256940855]
本報告では,オールタイプの衣料品を対象としたArbitrary Virtual Try-On Network (AVTON)を提案する。 AVTONは、ターゲット服と参照者の特性を保存・交換することで、現実的な試行画像を合成することができる。提案手法は,最先端の仮想試行法と比較して性能が向上する。
論文参考訳（メタデータ） (2021-11-24T08:59:56Z)
Face sketch to photo translation using generative adversarial networks [1.0312968200748118]
我々は、訓練済みの顔画像生成モデルを用いて、高品質な自然顔写真を合成する。入力スケッチから抽出した顔の特徴を、顔生成モデルの潜在空間のベクトルにマッピングするネットワークを訓練する。提案モデルでは,SSIM指数で0.655,97.59%のランク-1顔認識率が得られた。
論文参考訳（メタデータ） (2021-10-23T20:01:20Z)
Toward Accurate and Realistic Outfits Visualization with Attention to Details [10.655149697873716]
商用アプリケーションに必要な重要な視覚的詳細を捉えるために,アウトフィット・ビジュアライゼーション・ネットを提案する。 OVNetは,1)意味的レイアウト生成器と2)複数の協調ワープを用いた画像生成パイプラインから構成される。この手法を利用した対話型インターフェースは,ファッションeコマースのウェブサイトに展開され,圧倒的に肯定的なフィードバックを受けている。
論文参考訳（メタデータ） (2021-06-11T19:53:34Z)
SieveNet: A Unified Framework for Robust Image-Based Virtual Try-On [14.198545992098309]
SieveNetは、堅牢なイメージベースの仮想トライオンのためのフレームワークである。細粒度精度をモデル化する多段粗いワープネットワークを提案する。また,テクスチャ伝達ネットワークを改善するために,試着型布条件セグメンテーションマスクを導入する。
論文参考訳（メタデータ） (2020-01-17T12:33:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。