ICCVFeb, 2021

从文化到服装：探索时装图像背后一个世纪的世界事件

PDF
TL;DR本篇论文介绍了一种数据驱动的方法来识别影响人们服装选择的特定的文化因素，同时通过应用多模态统计模型来改善具体的视觉风格预测和图片时间戳的任务，旨在将文化与服装联系起来的可扩展和易于实施的计算方法的第一步。
fashionculturedata-driven approachmulti-modal statistical modelvisual style forecasting
发现论文，激发创造
  • StreetStyle：从数以百万计的照片中探索全球时尚风格

    本研究基于大规模照片数据集，运用深度学习训练分类器和风格聚类方法，分析全球时尚趋势及时空变化规律。

    Jun, 2017

  • 从巴黎到柏林：发现全球时尚风格影响

    通过发现城市间的时装影响关系和预测模型，我们能够定量地描述时装风格的演变并展示时尚风格的空间和时间演化。

    Apr, 2020

  • GeoStyle：发现时尚趋势与事件

    本研究提供了一种自动化框架，分析大量的街头时尚图片，以发现和预测各种时尚属性的长期趋势和自动发现的风格，并确定影响人们穿着的时空本地化事件。相比之前的方法，我们的框架可以做出超过 20％的长期趋势预测，并发现了成百上千个影响全球时装的具有社会意义的事件。

    Aug, 2019

  • 从社交媒体中提取时尚知识：谁、在哪里、穿什么？

    本篇论文提出了一种从社交媒体中自动提取时尚知识的方法，该方法结合了图像、文本和元数据多种模态中的场合、人物和服装三个方面进行探测，并采用上下文化时尚概念学习模块提供了对于人物检测和服装识别的解决方案，在机器标注数据有限的情况下，通过弱标签建模模块有效地利用了机器标注数据。实验结果证明了我们的模型在时尚概念预测方面的有效性以及提取知识与全面分析的有用性。

    Aug, 2019

  • 时尚前沿：时尚视觉风格预测

    利用数据驱动的方法，通过无监督学习来预测时尚视觉风格趋势，表明时尚预测受视觉分析的影响很大，远远超过文字或元数据线索。

    May, 2017

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

    Feb, 2016

  • 质量与数量：揭示百万高质量时尚设计文本到图像合成的图片

    AI 与时尚设计的融合已成为一个前景光明的研究领域，本论文提出了首个 Fashion-Diffusion 数据集，该数据集包含超过一百万高质量的时尚图片和详细的文本描述，并提供了多个用于评估时尚设计模型性能的数据集，推动了 AI 驱动的时尚设计领域的标准化和未来研究的进展。

    Nov, 2023

  • Fashionpedia-Taste：一个解释人类时尚品味的数据集

    本文研究了顾客喜欢某种时尚图像的原因。对此，作者引入了一种名为 Fashionpedia-taste 的可解释性数据集，该数据集包含了丰富的注释，解释了主体为什么喜欢或不喜欢某个时尚图像的原因。研究者可以利用我们的数据集来构建计算模型，从不同的人文角度和模态完全了解和解释人类时尚品味。

    May, 2023

  • 时尚呈现轮廓：从线上资源分析基于身体形状的服装偏好

    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

  • 社交媒体中的时尚知识自动提取

    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