2D虚拟试衣——服装变形
1、TPS(Thin Plate Spline)方法
TPS(薄板样条)插值是常用的2D插值方法。来表达薄金属板的物理弯曲能与点约束的关系(用一个薄钢板的形变来模拟2D形变,确保这N个点能够正确匹配,那么怎样的形变,可以使钢板的弯曲能量最小)。
补充:插值的常用方式
将一张图片(包含10个像素点)扩大10倍,得到一张新图(包含100个像素点),其中90个像素点的值是缺少的,此时就可以使用插值法解决缺失问题。
给定两张图片中一些相互对应的关键点,将其中一张图片形变到另外一张图片上,使得这些关键点都对应重合。
其中,A和B为非变形的基本网络。C为B变成A得到的TPS样条曲面。D为A变成B得到的TPS样条曲面。
2、空间变换
2.1、affine(2D仿射变换)
2.2、projection(3D透视变换)
3、STN(Spatial Transformer Networks)
补充:CNN层数越深,语义信息越丰富,空间信息越贫乏。
当是一张人的图片时,CNN层数越深,经过不断的卷积,可以提取出“眼睛”、“耳朵”等具体的语义信息,并将其组合在一起,从而判断是人还是狗。但是,经过多次卷积操作(还包括池化层),使得特征图越来越小,已经逐渐忘记了它在原始图像上的位置,空间信息贫乏。
CNN具有空间不变性,就是说对位置信息不敏感,即比如图中有一只狗,无论在图像上对这只狗进行平移、旋转、缩放等操作,CNN依然能判断这是一只狗。
STN允许在网络内对数据进行空间操作。这个可微模块可以插入到现有的卷积架构中,使神经网络能够根据特征图本身的条件主动进行空间变换,而无需任何额外的训练监督或对优化过程进行修改。STN的作用类似于传统的矫正的作用。
STN网络结构
Localisation Net:简单的回归网络。对输入图片U进行CNN,输出Aθ(假设是仿射变换,得到2x3的矩阵,共6个角度值)
Grid generator:初始V没有像素信息(可以想象成全白或全黑图)只有位置信息(比如(0,0)(0,1)…)。Grid generator负责将V的位置信息与Aθ运算,得到对应原始图中对应的坐标信息T(G)(比如(5,0)(5,1)…)。
其中,s对应原始图位置坐标,t对应目标图位置坐标,Aθ为变换矩阵。
注意:V的位置信息与Aθ运算得到T(G),可是T(G)的值(x,y)很可能是非整数,无法与原图像中的像素坐标对应起来,导致像素值缺失问题,于是考虑使用插值法,求出输出像素点的取值,解决像素值缺失问题。
Sampler:通过T(G)和原始图U的像素,将对应位置的像素复制到V中,得到目标图像素V。
4、CNN求得θ
- 用深度学习方法模拟经典的图像相似度估计问题
- 用深度学习方法估计仿射变换参数Aθ(对图片进行仿射变换,使得原图关键点与目标图片关键点在位置上粗对齐,便于后面进行TPS),以及更为复杂的TPS transformation
End-to-End模型
输入:两张图片IA和IB
特征提取:双路CNN(如:VGG16),权值共享,对IA和IB提取特征fA与fB
Matching:使用correlation-layer,把两路CNN提取的特征融合为一个向量,即fA与fB进行点乘得到correlation map,得到correlation map 后,使用ReLU+L2Norm对相似度进行归一化,以凸显相似度高的点,得到fAB。
Regression CNN:输入correlation map,得到仿射变换的6个参数Aθ,回归层中使用卷积层而不是全连接层,防止梯度爆炸。
参考:
综述:利用深度学习实现的虚拟试衣技术(基于图像)
Convolutional neural network architecture for geometric matching 论文笔记
2D虚拟试衣——服装变形相关推荐
- 虚拟试衣:Virtual Try-on Network系列工作
虚拟试衣:Virtual Try-on Network系列工作 前言:原先在知乎上用Markdown+LaTex编辑的插件失效了,稍微修正了下长公式,短的符号就不一一修改了.最佳浏览体验见:http: ...
- 3D虚拟试衣有望解决厘米级服装误差 网购服装不再蒙
还在担心网购服装对实际穿着效果没把握吗?随着京东App 6.6.3版本的更新,京东试试3D虚拟试衣功能正式上线,消费者可按照自己的身材比例创建专属的3D模型,而试穿效果则可以完全依照模型来展现.据了解 ...
- 【虚拟试衣论文笔记】M3D-VTON: A Monocular-to-3D Virtual Try-On Network
论文地址: 项目地址:https://github.com/fyviezhao/M3D-VTON 本文提出了一种 Monocular-to-3D Virtual Try-On Network (M3D ...
- 综述:利用深度学习实现的虚拟试衣技术(基于图像)
学习报告5 目录 学习报告5 1. 二维虚拟试衣技术 1.1 发展历史 1.2人体解析 1.2.1 人体分割 VITON & CP-VTON MG-VTON ClothFlow 条件布局生成器 ...
- 基于图像的虚拟试衣:Image Based Virtual Try-On Network from Unpaired Data
Image Based Virtual Try-on Network from Unpaired Data Image-Based-Virtual-Try-on-Network-from-Unpair ...
- wFlow(CVPR2022)-虚拟试衣论文解读
文章目录 解决问题 算法 stage1: 有条件人体分割 stage2: pixel flow估计 stage3: 使用wFlow进行衣服迁移 wFlow GTN 损失函数 在线循环优化 实验 数据集 ...
- 基于图像的虚拟试衣:VITON:An Image-based Virtual Try-on Network(2018)
[paper]VITON: An Image-based Virtual Try-on Network(2018) [code]VITON 效果 网络结构 人的量化表示 人姿态热图 人的姿态用18个关 ...
- html5虚拟试衣,Trylive Clothing虚拟试衣系统 打造属于你个人的魔法试衣间
女士们逛街的时候有没有试过看中了很多件衣服,可是却不好意思跟售货员说你全部也想试上身? 或许你根本也没有这么多时间把所有衣服的换上? 科技改变生活,也改变我们的购物习惯.从前我们于实体店购物,到近几年 ...
- 虚拟试衣-DiOr论文解读
文章目录 创新点 算法 全局流场估计 分割编码 身体表征 姿态编码 损失函数 训练过程 实验 姿态迁移评估 消融实验 Tucking in Garment layering Content remov ...
- 【虚拟试衣论文笔记】C-VTON: Context-Driven Image-Based Virtual Try-On Network
论文地址:https://openaccess.thecvf.com/content/WACV2022/papers/Fele_C-VTON_Context-Driven_Image-Based_Vi ...
最新文章
- Git学习系列(二)创建本地仓库及文件操作
- datagrid如何获取一行数据中的某个字段值_MySQL 如何查找删除重复行?
- mysql8.0 linux 安装教程_linux下mysql8.0安装详细教程
- BZOJ 1047: [HAOI2007]理想的正方形 单调队列瞎搞
- Nginx—— Rewrite规则的使用
- 用python画大白_[Python][可视化]matplotlib基础入门
- LeetCode MySQL解题目录
- mysql 32k 限制,MySQL之最大和最小
- orm mysql_PHP基于ORM方式操作MySQL数据库实例
- linux /etc/目录_Linux / etc /目录的版本控制
- 玩转Go语言之数据类型转换
- SQL获取目标时间点或日期的方法
- 【漏扫工具】awvs、appscan、xray下载、安装、使用方法(附带网盘链接)
- Norton AntiVirus 8.0 企业版服务器客户端安装说明
- element ui html编辑器,vue+element-ui 使用富文本编辑器
- 权重衰减(weight decay)
- 全球货币市场基础知识系列4
- 老鱼Python数据分析——篇十五:“选股宝”使用API下载JSON格式数据
- 系统集成项目管理工程师10大管理
- iOS上线APP在App Store地址