学习将服装图像的纹理转移到 3D 人体模型
本文使用图像到图像翻译方法在 SMPL 模型的 UV 空间中推断纹理和几何学,以此预测人物的完整三维化身。通过此方法,我们得到的预测纹理和几何学可以应用到 SMPL 模型上,从而自然地对新的姿势、形状和衣物进行推广。
Aug, 2019
本文提出了一种基于 SMPL 的分层服装表示方法,通过使服装区分于身体网格并独立于其蒙皮权重,实现了更高的表达能力和更好的几何恢复效果,并结合训练数据集展示了其在服装重构和身体形状恢复方面的优势,同时也可以实现像重新姿势、服装转移和服装纹理映射等应用。
Apr, 2020
该论文介绍了一种从图像中实现 3D 服装的逼真重建的方法,通过一种基于图像纹理的新框架,使用姿势信息从单张图像中生成 3D 服装的纹理图像,验证了该方法的有效性,并提供了一个大型数据集,对未来的服装纹理重建和合成研究具有重要参考价值。
Oct, 2023
本文提出了一种新颖的方法,可以从照片中构建 3D 虚拟服装模型,通过利用多任务学习网络 JFNet 以及语义部件来提取颜色纹理信息,进行虚拟现实和混合现实的应用。
Jul, 2019
利用虚拟试穿技术和自我监督学习,我们提出了一种新的服装转换方法,通过知识蒸馏从虚拟试穿中提供形状引导,并利用逐步流来准确地转换服装,同时使用一个设计良好的手臂再生任务来增强转换的逼真度。实验证明,与其他虚拟试穿和服装转换方法相比,我们的方法在人际服装转换方面表现出优越的性能。
Jan, 2024
本研究提出了一种基于轮廓的人体服装建模和纹理预测系统,使用深度生成模型重建穿着服装人体的完整 3D 模型,其中使用 2D 轮廓和 3D 关节来描述人体的形状复杂性和变化,再通过条件生成对抗网络预测背景面纹理,实验证明该模型是一种有效的表示方法。
Dec, 2018
本文提出了用于少样本人体运动转移的新方法,使用少量的外观输入实现逼真的人物图像生成。该方法通过将人类纹理映射到表面几何(表示为 UV 贴图)上来解决这个问题,并生成个性化的 UV 贴图。
Mar, 2021
我们提出了一种新颖的自监督框架,用于在任意形状和姿势的三维人体化身上重定向非参数化的三维服装,实现三维虚拟试穿。我们引入了基于 Isomap 嵌入的对应匹配方法,以获得两个网格之间的粗略对齐,并在自监督环境下进行精细对齐的神经改进。此外,我们利用 Laplacian 细节整合方法来保留输入服装的内在细节,通过使用包含 255 种真实噪声和拓扑变形的真实世界服装数据集来评估我们的三维非参数化服装重定向框架,并展示了其在非参数化服装和人体化身上优于现有最先进方法的重定向质量,在该数据集上作为非参数化三维服装重定向的首个基准。
Jan, 2024
本文提出了一种名为 CAPE 的基于 Mesh-VAE-GAN 和 SMPL 身体模型的条件服装生成模型,能够直接为 3D 人体模型着装并适用于不同的姿势。
Jul, 2019
本文提出了一种基于端到端学习策略的方法,利用行人重新识别作为感知度量,生成单张人体图像的纹理贴图,实验结果表明,我们的模型可以从单张图像中生成纹理贴图,并证明我们的纹理比其他可用方法生成的质量更高,我们还将应用范围扩展到其他类别,并探索了我们生成的纹理的可能利用途径。
Apr, 2019