ViBE:适合各种身材的着装方式
收集了一个新的数据集,使用多张照片的方法来预测用户的体型并构建一个有条件的衣服类别模型。研究发现,衣服类别与体型具有相关性,并提出了一个新的基于多视角预测的方法来解决这个问题。
Jul, 2018
利用数字成像和深度神经网络(DNN)方法,本研究利用 Style4BodyShape 数据集为了将身体形状分类为五个类别:矩形、三角形、倒三角形、沙漏形和苹果形。从图像中提取出个人的身体形状,并使用各种预训练模型对分割结果进行分类,结果表明 Inception V3 模型在 f1-score 评估指标和准确性方面表现优异。
Apr, 2024
本文提出了基于视频的身体姿态和形状估计方法 (VIBE),利用现有的大规模运动捕捉数据集 (AMASS) 和无配对的野外 2D 关键点注释,通过对抗学习框架,利用 AMASS 区分真实人体运动和由时态姿态和形状回归网络生成的运动,得到运动检测序列,具有动力学合理性,成功地解决了基于视频的人体三维姿态估计的挑战问题。
Dec, 2019
该论文提出了一种学习图像嵌入的方法,以尊重物品类型,并联合学习物品的相似性和兼容性。通过在 Polyvore 网站上爬取用户创建的 68,306 个配装数据集,该方法在配装兼容预测和填空任务中取得了 3-5%的改进,支持各种有用的查询。
Mar, 2018
该研究综述了人体形状和服装估计领域的重要工作,主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面,并讨论了最新发展、优点、局限以及方法和结果的定性差异,旨在提供对该领域的全面理解并激励未来的研究。
Feb, 2024
本文提出了第一个基于图像的全身穿着人群生成模型,通过从大规模图像数据库中学习生成模型,我们克服了人体姿态、形状和外观方面的高变异性挑战,并提出了一种可分解生成模型以生成逼真的人物图像。该方法有效地实现了数据驱动的人物生成方法。
May, 2017
通过对管道架构、人物表示、关键模块和语义标准的综合分析,本文提供了最新技术和方法论在基于图像的人物试穿领域的全面调研,评估了不同方法,并展示了大规模模型在图像试穿任务上的未来潜力,并揭示了未解决的问题和未来研究方向。
Nov, 2023
虚拟试衣技术的创新方法,结合自监督视觉变换器和扩散模型,通过对比局部衣物图像嵌入与全局嵌入来实现细节增强,条件引导和关注关键区域等技术的融合进一步提高了虚拟试衣体验的真实感和精确度。
Jun, 2024