نویسندگان:
(1) هون کیم، هوش مصنوعی بیبل، و به همان اندازه در این کار مشارکت داشت.
(2) Minje Jang، Beeble AI، و به همان اندازه در این کار مشارکت داشت.
(3) Wonjun Yoon، Beeble AI، و به همان اندازه در این کار مشارکت داشت.
(4) Jisoo Lee، Beeble AI، و به همان اندازه در این کار مشارکت داشته است.
(5) Donghyun Na، Beeble AI، و به همان اندازه در این کار مشارکت داشتند.
(6) Sanghyun Woo، دانشگاه نیویورک، و به همان اندازه در این کار مشارکت داشت.
یادداشت ویرایشگر: این قسمت 11 از 14 مطالعه ای است که روشی را برای بهبود نحوه اعمال نور و سایه بر روی پرتره های انسان در تصاویر دیجیتال معرفی می کند. بقیه را در ادامه بخوانید.
جدول پیوندها
ضمیمه
A. جزئیات پیاده سازی
ما یک معماری واحد U-Net را در طول این فرآیند از قبل آموزش می دهیم. در مرحله تنظیم دقیق بعدی، وزن های این مدل از پیش آموزش دیده به چندین U-Net – NormalNet، DiffuseNet، SpecularNet و RenderNet منتقل می شود. در مقابل، IllumNet که از معماری U-Net پیروی نمی کند، با وزن های تصادفی مقداردهی اولیه می شود. برای اطمینان از سازگاری با کانال های ورودی مختلف هر شبکه، وزن ها را در صورت لزوم تغییر می دهیم. به عنوان مثال، وزنه هایی که از قبل برای کانال های RGB آموزش داده شده اند، کپی شده و متناسب با شبکه های دارای 6 یا 9 کانال تنظیم می شوند.
داده ها برای تولید جفت های آموزشی نورپردازی، هر تصویر را به صورت تصادفی از مجموعه داده OLAT انتخاب می کنیم.