論文の概要: AnyDressing: Customizable Multi-Garment Virtual Dressing via Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2412.04146v2
• Date: Mon, 06 Jan 2025 06:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:03:08.822562
• Title: AnyDressing: Customizable Multi-Garment Virtual Dressing via Latent Diffusion Models
• Title（参考訳）: AnyDressing: 潜在拡散モデルによるカスタマイズ可能なマルチゲージ仮想描画
• Authors: Xinghui Li, Qichao Sun, Pengze Zhang, Fulong Ye, Zhichao Liao, Wanquan Feng, Songtao Zhao, Qian He,
• Abstract要約: 衣服とパーソナライズされたテキストプロンプトの組み合わせで条件付き文字をカスタマイズする新しいAnyDressing法を提案する。 AnyDressingはGarmentsNetとDressingNetという2つの主要なネットワークで構成されており、それぞれが詳細な衣料品の特徴を抽出することを目的としている。 衣服のきめ細かいテクスチャの詳細を改善するため,ガーメント強化テクスチャ学習戦略を導入する。
• 参考スコア（独自算出の注目度）: 7.534556848810697
• License:
• Abstract: Recent advances in garment-centric image generation from text and image prompts based on diffusion models are impressive. However, existing methods lack support for various combinations of attire, and struggle to preserve the garment details while maintaining faithfulness to the text prompts, limiting their performance across diverse scenarios. In this paper, we focus on a new task, i.e., Multi-Garment Virtual Dressing, and we propose a novel AnyDressing method for customizing characters conditioned on any combination of garments and any personalized text prompts. AnyDressing comprises two primary networks named GarmentsNet and DressingNet, which are respectively dedicated to extracting detailed clothing features and generating customized images. Specifically, we propose an efficient and scalable module called Garment-Specific Feature Extractor in GarmentsNet to individually encode garment textures in parallel. This design prevents garment confusion while ensuring network efficiency. Meanwhile, we design an adaptive Dressing-Attention mechanism and a novel Instance-Level Garment Localization Learning strategy in DressingNet to accurately inject multi-garment features into their corresponding regions. This approach efficiently integrates multi-garment texture cues into generated images and further enhances text-image consistency. Additionally, we introduce a Garment-Enhanced Texture Learning strategy to improve the fine-grained texture details of garments. Thanks to our well-craft design, AnyDressing can serve as a plug-in module to easily integrate with any community control extensions for diffusion models, improving the diversity and controllability of synthesized images. Extensive experiments show that AnyDressing achieves state-of-the-art results.
• Abstract（参考訳）: 拡散モデルに基づくテキストおよび画像プロンプトからの衣服中心の画像生成の最近の進歩は印象的である。 しかし、既存の手法は様々な組み合わせの服装をサポートしておらず、テキストプロンプトへの忠実さを維持しながら衣服の詳細を維持するのに苦労し、様々なシナリオでパフォーマンスを制限している。 本稿では,新しいタスク,すなわちマルチゲージ仮想ドレッシングに着目し,衣服とパーソナライズされたテキストプロンプトの組み合わせで条件付けられた文字をカスタマイズする新しいAnyDressing手法を提案する。 AnyDressingはGarmentsNetとDressingNetという2つの主要なネットワークで構成されており、それぞれが詳細な衣料品の特徴を抽出し、カスタマイズされた画像を生成する。 具体的には,GarmentsNetのGarment-Specific Feature Extractorと呼ばれる,効率的でスケーラブルなモジュールを提案する。 この設計は、ネットワーク効率を確保しながら、衣服の混乱を防ぐ。 一方、適応型Dressing-Attention機構と、DressingNetにおける新しいインスタンスレベルガーメントローカライゼーション学習戦略を設計し、対応する領域にマルチガーメント機能を正確に注入する。 このアプローチは、マルチガーメントテクスチャキューを効率よく生成画像に統合し、さらにテキストイメージの整合性を高める。 さらに,衣服のきめ細かいテクスチャの詳細を改善するため,Garment-Enhanced Texture Learning戦略を導入する。 私たちの優れたデザインのおかげで、AnyDressingは、拡散モデルのためのコミュニティコントロール拡張と簡単に統合できるプラグインモジュールとして機能し、合成画像の多様性と制御性を改善します。 大規模な実験は、AnyDressingが最先端の結果を達成することを示している。

関連論文リスト

• FitDiT: Advancing the Authentic Garment Details for High-fidelity Virtual Try-on [73.13242624924814]
  Diffusion Transformer (DiT) を用いた高忠実度仮想試行用ガーメント知覚増強技術FitDiT 布地テクスチャ抽出装置を導入し, 布地や模様, テクスチャなどのリッチな細部を, よりよく捉えられるようにした。 また,クロスカテゴリー試着中にマスク領域全体を埋める衣服の発生を防止し,衣料の正しい長さに適応する拡張緩和マスク戦略を採用した。
  論文  参考訳（メタデータ） (2024-11-15T11:02:23Z)
• Gaussian Garments: Reconstructing Simulation-Ready Clothing with Photorealistic Appearance from Multi-View Video [66.98046635045685]
  マルチビュー映像からリアルなシミュレーション可能な衣服資産を再構築するための新しい手法を提案する。 本手法は,3次元メッシュとガウステクスチャを組み合わせた衣服を表現し,その色と高周波表面の細部をエンコードする。 この表現は、マルチビュービデオへの衣服のジオメトリの正確な登録を可能にし、照明効果からアルベドのテクスチャを遠ざけるのに役立つ。
  論文  参考訳（メタデータ） (2024-09-12T16:26:47Z)
• Multi-Garment Customized Model Generation [3.1679243514285194]
  マルチゲージカスタマイズモデル生成は、潜在拡散モデル(LDM)に基づく統合フレームワークである 本フレームワークは,脱結合型マルチガーメント機能融合による複数衣服の条件生成を支援する。 提案する衣料エンコーダは,他の拡張モジュールと組み合わせることができるプラグアンドプレイモジュールである。
  論文  参考訳（メタデータ） (2024-08-09T17:57:33Z)
• IMAGDressing-v1: Customizable Virtual Dressing [58.44155202253754]
  IMAGDressing-v1は、固定された衣服とオプション条件で自由に編集可能な人間の画像を生成する仮想ドレッシングタスクである。 IMAGDressing-v1は、CLIPのセマンティック特徴とVAEのテクスチャ特徴をキャプチャする衣料UNetを組み込んでいる。 本稿では,凍結自己注意とトレーニング可能なクロスアテンションを含むハイブリッドアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:26:30Z)
• AnyFit: Controllable Virtual Try-on for Any Combination of Attire Across Any Scenario [50.62711489896909]
  AnyFitは、高解像度のベンチマークと実世界のデータのベースラインを、大きなギャップで上回っている。 AnyFitの高忠実度バーチャル試作品における印象的なパフォーマンスは、あらゆるイメージから見ても、ファッションコミュニティにおける将来の研究の新たな道を切り開くものです。
  論文  参考訳（メタデータ） (2024-05-28T13:33:08Z)
• Magic Clothing: Controllable Garment-Driven Image Synthesis [7.46772222515689]
  我々は,未探索の衣服駆動画像合成タスクのための潜在拡散モデル(LDM)に基づくネットワークアーキテクチャであるMagic Clothingを提案する。 多様なテキストプロンプトを持つ対象の衣服を装着したカスタマイズされた文字を生成することを目指して、画像制御性が最も重要な問題である。 衣料品の特徴を捉えるために衣服抽出装置を導入し, 自覚融合を用いて予め訓練したLCDに組み込む。
  論文  参考訳（メタデータ） (2024-04-15T07:15:39Z)
• 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)
• Per Garment Capture and Synthesis for Real-time Virtual Try-on [15.128477359632262]
  既存の画像ベースワークは、ターゲット服の1つの画像から試着画像を合成しようとする。 ポーズや体の大きさの変化によるしわの変化を再現することは困難であり、衣服を手で引っ張ったり伸ばしたりすることは困難である。 そこで本研究では,このようなリッチなインタラクションを,多くのシステマティックな画像を用いてトレーニングすることで,衣服ごとのキャプチャと合成のワークフローを提案する。
  論文  参考訳（メタデータ） (2021-09-10T03:49:37Z)

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。