教授深度神经网络设计快速时尚
本文聚焦于研究特定用户群体的细粒度时尚元素趋势,并提出了一个具有领域知识增强的深度递归神经网络模型,可以有效地捕获不同时尚元素的复杂趋势,从而具有更好的时尚趋势预测能力。
May, 2020
本文介绍了一种采用深度学习技术的 AI 驱动时尚社交网络服务,包括时尚电子商务,人们可以分享和浏览他们的 OOTD 照片,而 AI 分析它们并建议类似的风格 OOTD 和相关产品。
Mar, 2022
这篇研究论文介绍了一种新颖的生成性流程,通过使用潜在扩散模型改变了时尚设计过程,利用 ControlNet 和 LoRA 微调生成高质量图像,从文本和草图等多模态输入生成。我们结合草图数据,对包括 Multimodal Dress Code 和 VITON-HD 在内的最先进的虚拟试穿数据集进行了整合和增强。通过使用 FID、CLIP 评分和 KID 等指标进行评估,我们的模型明显优于传统稳定扩散模型。结果不仅突显了我们模型在生成符合时尚要求的输出方面的效果,也凸显了扩散模型在改革时尚设计工作流程中的潜力。这项研究为时尚设计和表达领域提供了更具互动性、个性化和技术丰富的方法,弥合了创意愿景与实际应用之间的差距。
Apr, 2024
通过介绍一个新的包含一百万高分辨率时尚图像和丰富结构化文本描述的数据集,本研究旨在推进基于文本的时尚合成和设计领域的研究,为使用先进的生成模型进行时尚合成和设计提供必要性。
Nov, 2023
提出了一种利用神经风格迁移算法个性化生成新的服装设计的方法,该方法基于用户偏好并从其衣柜的有限衣服集中学习用户的时尚选择。通过分析生成的衣服图像及其与用户时尚风格的吻合程度来验证该方法的效果。
Jul, 2017
本文提出了一种基于分布式计算平台的可扩展关注 Web 爬虫引擎,用于提取和处理电子商务网站上的时尚数据,并采用深度卷积生成对抗网络(DCGAN)的脱耦特征提取方法来进行基于内容的图像索引和检索,将其与最先进的解决方案进行比较并分析其结果。
Apr, 2022
本文提出了一种从社交媒体自动收集时尚知识的新系统,它通过图像、文本和元数据的多个模态统一了场合、人物和服装发现的三个任务,并应用上下文化的时尚概念学习模型来提高时尚概念学习性能,同时通过弱标签建模方法进一步提高性能,并构建了一个网站来展示我们的系统提取的时尚知识的质量。
Aug, 2019
提出了一种名为 HieraFashDiff 的新型时尚设计方法,通过使用共享的多阶段扩散模型,包含高层设计概念和低层服装属性的层次结构,允许设计师在高级提示后逐步交互式编辑以添加低层属性。在我们新建的层次时尚数据集上进行的全面实验表明,我们提出的方法优于其他最先进的竞争方法。
Jan, 2024