基于端到端深度学习方法的时装套装搭配挖掘
本文使用深度神经网络对包含未排序的可变长度服装搭配的推荐进行评级,通过在流行的时尚分享网站 Polyvore 上收集大量服装数据,并结合众包平台的人类判断,验证模型性能,最终构建了服装搭配助理的实用模型。
Apr, 2018
本文通过使用欧洲最大时尚商店的用户数据,从个性化和非个性化的角度提供了各种算法的广泛评估和比较,并透露了一些针对尚未在这项任务上进行评估的模型的见解,包括 GPT,BERT 和 Seq-to-Seq LSTM,并提供了适用于个性化服装生成的模型的改进。
Nov, 2022
本研究提出了一种能够预测和诊断服装配对兼容性的深度学习框架,其中利用了不同类型的 CNN 来解决从颜色到风格等不同方面的兼容性问题,并通过基于 Polyvore 数据集的实验验证出较高的预测和诊断能力。
Jul, 2019
本文提出了一种基于图的服装推荐和生成方法,使用 TGNN 架构和多头自注意机制,实现了在现有服装集合中发现新的具有吸引力的服装,并在两个不同数据集上获得了最先进的兼容性估计结果。
Apr, 2023
本文提出了一种半监督学习方法,其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装,通过提出的一致性规则来确保原始图像和其转换的表示是一致的,实现多属性的学习,在 Polyvore、Polyvore-D 和新建的大规模时装套装数据集上进行了实验,并表示,该方法拥有与完全监督方法相当的预测性能。
Sep, 2021
本文提出了四个数据驱动模型用于大规模的视觉推荐系统,这些模型可以有效地利用大量的时尚图片及其丰富的元数据,通过对大规模数据集的深入实验对这些算法进行了分析,并在颜色科学的基础上对其进行了基线,同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集(Fashion-136K)。
Jan, 2014
该研究论文提出了一种通过输入人体姿势,生成高分辨率服装模特佩戴自定义衣服并展示的方法,不仅能够实现衣服风格和姿势的转移,还能够创造出逼真的人体和服装图像
Aug, 2019
本文提出一种将时装搭配表示为图形,并基于节点间的交互关系通过节点感知的图形神经网络来预测搭配的兼容性得分的方法。实验结果表明,所提出的方法在填空和兼容性预测两个任务上均表现出较高的优越性。
Feb, 2019
本研究提出了一种利用无监督风格提取模块来学习装扮的模型,可以更灵活地生成时尚的 outfit,同时成功地在时尚元素预测、风格提取和 outfit 生成任务中超越了基线方法。
Jun, 2018
本文提出了一种基于孪生网络和全连接网络的推荐方法,其中加入颜色直方图功能以提高时尚兼容性评价,且网络训练采用拉普拉斯和矩阵变量正态分布以增强网络效率和稀疏性。
May, 2019