本文提出了一种基于属性操控的图像检索方法,使用 FashionSearchNet-v2 架构学习属性特定表示,并通过弱监督定位模块提高相似性学习,所得的本地表示基于被指导的属性操控合并为单个全局表示,在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。
Nov, 2021
本文提出了一种 Attribute Information Removal and Reconstruction(AIRR)网络,通过学习如何完全去除属性信息创建不包含属性信息的特征,然后学习在重建图像中直接注入所需属性,以避免信息隐藏问题,并在四个数据集上评估。结果表明,与先前的工作相比,我们的模型平均提高了 10%的属性操作准确性和 top-k 检索率,用户研究也表明 AIRR 操作的图像在高达 76%的情况下优于先前的工作。
Jul, 2022
本论文从估计和操作两个角度全面调查了深度面部属性分析。介绍了面部属性估计和操作的数据预处理和模型构建通用流程,并对常用的数据集和性能指标进行了介绍。此外,对最新的面部属性分析方法进行了分类和细节方面的审查,并提出了相关的面部属性应用问题和现实世界的应用。最后,讨论了可能的挑战和未来的研究方向。
Dec, 2018
本研究旨在通过提出一种新的基于属性信息的时装推荐器(AFRec),来解决时尚推荐任务中的可解释性挑战。AFRec 推荐器通过显式地利用每个项的视觉特征提取的属性级别表示来评估服装的兼容性。通过利用显式属性,AFRec 能够在推荐过程中实现最先进的推荐精度和直观的解释。
Jul, 2021
本文提出了一种名为 FiLMedGAN 的基于自然语言表示的特征线性调制的方法,能够在仅使用少量空间信息的情况下对服装图像进行编辑和生成,相比于现有的基线工作,结合 skip connection 和 total variation regularization 方法,可以生成更为真实可信的效果,并在生成的新装与目标描述一致时具有更好的本地化能力。
Aug, 2018
使用视觉搜索和反向索引的方法,基于多个时尚属性和颜色、图案等视觉特征,构建了一个大规模的时尚商品搜索系统。
Sep, 2016
提出了一个基于衣物相关特征的可行性感知中介匹配(Feasibility-Aware Intermediary Matching,FAIM)框架,通过中介匹配过程中使用衣物相关特征找到信息丰富的中介并结合这些中介的衣物无关特征完成匹配,以此优化衣物变换的人物识别方法。实验结果表明,在多个广泛使用的衣物变换人物识别基准上,该方法优于现有方法。
Apr, 2024
本研究提出了一种属性引导的多层注意力网络(AG-MLAN),能够在指定属性的引导下更准确地定位属性位置和捕捉区分性特征,并通过对深度时尚、FashionAI 和 Zappos50k 数据集上的实验验证了其在细粒度时尚相似度学习和属性引导检索任务中的有效性。该模型在细粒度时尚相似度检索任务中的表现超过了现有最优方法。
Dec, 2022
我们提出了一种新颖的 FIRe^2 框架,用于解决服装变换人物重识别中的劣质身份相关特征和有限训练样本的两个限制,无需使用任何辅助信息,通过细粒度特征挖掘和重组模块实现对特征的增强和学习,从而在五个广泛使用的服装变换人物重识别基准数据集上取得了最先进的性能。
Aug, 2023
本文提出了一种基于 Region-to-Patch 框架以及 E-InfoNCE loss 的属性特定时尚检索系统,通过提取细粒度视觉特征,将属性感知的相似度与以往的相似度方法相结合,从而在细节上提高检索结果的准确性。
May, 2023