به سوی آزمایش مجازی دقیق و واقعی از طریق تطبیق شکل: کار مرتبط

نویسندگان:

(1) Kedan Li، دانشگاه ایلینوی در Urbana-Champaign.

(2) مین جین چونگ، دانشگاه ایلینوی در اوربانا-شامپین؛

(3) Jingen Liu، JD AI Research.

(4) دیوید فورسایت، دانشگاه ایلینوی در اوربانا-شامپین.

سنتز تصویر: شبکه های ترانسفورماتور فضایی تبدیلات هندسی را با استفاده از شبکه های عصبی تخمین می زنند [23]. کارهای بعدی [28,39] نشان می دهد که چگونه می توان یک شی را به شی دیگر تاب داد. از تاب برداشتن می توان برای تولید تصاویری از اجسام صلب استفاده کرد [26,30] و اشیاء غیر سفت و سخت (مانند لباس) [17,12,45]. برخلاف کار قبلی، ما از چند تار فضایی استفاده می کنیم.

تاب های ما باید در یک تصویر واحد ترکیب شوند و U-Net ما برای تولید این تصویر از روندهای نقاشی داخلی پیروی می کند (روش هایی که بخش های از دست رفته یک تصویر را پر می کنند، نگاه کنید به [48,31,50,49]). هان و همکاران [16,52] نشان دادن روش‌های نقاشی داخلی می‌تواند اقلام گمشده لباس را روی افراد تکمیل کند.

در کار خود از FID∞ برای ارزیابی کمی روش خود استفاده می کنیم. این بر اساس فاصله اولیه فرچت (FID) است. [18]یک معیار رایج در مدل‌سازی تصویر تولیدی [5,54,29]. چونگ و همکاران [9] اخیرا نشان داد که FID مغرضانه است. برون یابی سوگیری را حذف می کند، به یک امتیاز بی طرفانه (FID∞).

تولید افراد لباس پوش: زو و همکاران [57] از یک GAN شرطی برای تولید تصاویر بر اساس اسکلت ژست و توضیحات متنی استفاده کرد.

Source link