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 9 از 14 مطالعه ای است که روشی را برای بهبود نحوه اعمال نور و سایه در پرتره های انسان در تصاویر دیجیتال معرفی می کند. بقیه را در ادامه بخوانید.
جدول پیوندها
ضمیمه
6. آزمایشات
این بخش نتایج تجربی ما را شرح می دهد. ما با ارزیابی مقایسه ای روش خود در برابر رویکردهای پیشرفته با استفاده از مجموعه داده OLAT شروع می کنیم. ما همچنین از تصاویر آزمون FFHQ استفاده می کنیم [25] برای مطالعات کاربر برای تجزیه و تحلیل کیفی، ما از تصاویر پرتره بدون حق چاپ از Pexels استفاده می کنیم [1]. علاوه بر این، ما مطالعات فرسایشی انجام می دهیم تا کارایی چارچوب قبل از آموزش و انتخاب طراحی معماری خود را تأیید کنیم. متعاقباً، ویژگیهای اضافی را به تفصیل شرح میدهیم و با بحث در مورد محدودیتهای آن نتیجهگیری میکنیم. ارزیابی ما از مجموعه تست OLAT استفاده می کند که شامل 35 موضوع و 11 محیط روشنایی است و از عدم همپوشانی با قطار اطمینان حاصل می کند.