論文の概要: WAS-VTON: Warping Architecture Search for Virtual Try-on Network

• arxiv url: http://arxiv.org/abs/2108.00386v1
• Date: Sun, 1 Aug 2021 07:52:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:19:24.525976
• Title: WAS-VTON: Warping Architecture Search for Virtual Try-on Network
• Title（参考訳）: WAS-VTON:仮想トライオンネットワークのアーキテクチャ探索
• Authors: Zhenyu Xie, Xujie Zhang, Fuwei Zhao, Haoye Dong, Michael C. Kampffmeyer, Haonan Yan, Xiaodan Liang
• Abstract要約: NAS-Warping Moduleを導入し、二階層型検索空間を精巧に設計する。 衣料品同士のアライメントを念頭に置いて,反復可能なワープセルと畳み込み操作の組み合わせを学習する。 より自然な最終試行結果を合成するためにNAS-Fusion Moduleを提案する。
• 参考スコア（独自算出の注目度）: 57.52118202523266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress on image-based virtual try-on, current methods are constraint by shared warping networks and thus fail to synthesize natural try-on results when faced with clothing categories that require different warping operations. In this paper, we address this problem by finding clothing category-specific warping networks for the virtual try-on task via Neural Architecture Search (NAS). We introduce a NAS-Warping Module and elaborately design a bilevel hierarchical search space to identify the optimal network-level and operation-level flow estimation architecture. Given the network-level search space, containing different numbers of warping blocks, and the operation-level search space with different convolution operations, we jointly learn a combination of repeatable warping cells and convolution operations specifically for the clothing-person alignment. Moreover, a NAS-Fusion Module is proposed to synthesize more natural final try-on results, which is realized by leveraging particular skip connections to produce better-fused features that are required for seamlessly fusing the warped clothing and the unchanged person part. We adopt an efficient and stable one-shot searching strategy to search the above two modules. Extensive experiments demonstrate that our WAS-VTON significantly outperforms the previous fixed-architecture try-on methods with more natural warping results and virtual try-on results.
• Abstract（参考訳）: 画像ベースの仮想トライオンの進歩にもかかわらず、現在の手法は共有ワープネットワークによって制約されるため、異なるワープ操作を必要とする衣服カテゴリーに直面した場合に、自然な試行結果の合成に失敗する。 本稿では,ニューラルネットワークサーチ(NAS)を用いて,仮想試行作業のための衣服カテゴリー別ワープネットワークを見つけることで,この問題に対処する。 我々は,nas-warpingモジュールを導入し,ネットワークレベルと運用レベルのフロー推定アーキテクチャを同定するために,二段階階層探索空間を精巧に設計する。 異なる数のワープブロックを含むネットワークレベルのサーチスペースと異なる畳み込み操作を持つ操作レベルのサーチスペースを考慮し、反復可能なワープセルと着衣者アライメントのための畳み込み操作の組み合わせを共同で学習する。 さらに,NAS-Fusion Moduleはより自然な最終試行結果を合成するために提案され,特定のスキップ接続を利用して,乱れた衣服と変人部分とをシームレスに融合させるのに必要な,より複雑な特徴を創出する。 我々は,上述の2つのモジュールを探索するために,効率的かつ安定なワンショット探索戦略を採用する。 我々のWAS-VTONは、より自然なワープ結果と仮想試行結果で従来の固定構造試行法よりも大幅に優れていた。

関連論文リスト

• CSCO: Connectivity Search of Convolutional Operators [12.928148870505375]
  本稿では,畳み込み演算子の効率的な接続を実現する新しいパラダイムであるCSCOを提案する。 CSCOは、ニューラルネットワークによる探索を、地道的なパフォーマンスの代理として導く。 ImageNetの結果、手作りとNAS造の高密度接続よりもパフォーマンスが0.6%向上した。
  論文  参考訳（メタデータ） (2024-04-26T04:52:45Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• Pruning-as-Search: Efficient Neural Architecture Search via Channel Pruning and Structural Reparameterization [50.50023451369742]
  プルーニング・アズ・サーチ(Pruning-as-Search、PaS)は、必要なサブネットワークを自動的に効率的に検索するエンドツーエンドのプルーニング手法である。 提案したアーキテクチャは,ImageNet-1000分類タスクにおいて,1.0%$ Top-1精度で先行技術より優れていた。
  論文  参考訳（メタデータ） (2022-06-02T17:58:54Z)
• Trilevel Neural Architecture Search for Efficient Single Image Super-Resolution [127.92235484598811]
  本稿では,高効率単一画像超解像(SR)のための3レベルニューラルネットワーク探索法を提案する。 離散探索空間をモデル化するために、離散探索空間に新たな連続緩和を適用し、ネットワークパス、セル操作、カーネル幅の階層的混合を構築する。 階層型スーパーネット方式による最適化を行うため,効率的な探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-17T12:19:49Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)
• Progressive Automatic Design of Search Space for One-Shot Neural Architecture Search [15.017964136568061]
  単発モデルの精度が高いモデルでは,スタンドアローンの訓練では必ずしも優れた性能が得られない。 PAD-NASという検索空間のプログレッシブ自動設計を提案する。 このようにして、PAD-NASは各レイヤの操作を自動的に設計し、検索空間の品質とモデルの多様性のトレードオフを達成できる。
  論文  参考訳（メタデータ） (2020-05-15T14:21:07Z)
• NAS-Count: Counting-by-Density with Neural Architecture Search [74.92941571724525]
  ニューラルアーキテクチャサーチ(NAS)を用いたカウントモデルの設計を自動化する エンド・ツー・エンドの検索エンコーダ・デコーダアーキテクチャであるAutomatic Multi-Scale Network(AMSNet)を導入する。
  論文  参考訳（メタデータ） (2020-02-29T09:18:17Z)

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。