CN112258269A - 基于2d图像的虚拟试衣方法及装置 - Google Patents

基于2d图像的虚拟试衣方法及装置 Download PDF

Info

Publication number
CN112258269A
CN112258269A CN202011116383.0A CN202011116383A CN112258269A CN 112258269 A CN112258269 A CN 112258269A CN 202011116383 A CN202011116383 A CN 202011116383A CN 112258269 A CN112258269 A CN 112258269A
Authority
CN
China
Prior art keywords
image
fitting
reference person
distorted
clothes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011116383.0A
Other languages
English (en)
Other versions
CN112258269B (zh
Inventor
彭涛
常源
刘军平
胡新荣
何儒汉
张俊杰
张自力
姜明华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Textile University
Original Assignee
Wuhan Textile University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202011116383.0A priority Critical patent/CN112258269B/zh
Publication of CN112258269A publication Critical patent/CN112258269A/zh
Application granted granted Critical
Publication of CN112258269B publication Critical patent/CN112258269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于2D图像的虚拟试衣方法及装置，包括：获取参考人图像和目标衣服图像；根据由参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；根据参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像，及对目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码；基于扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；分别提取参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码；根据试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成试衣，大大提升了试衣效果的真实性。

Description

基于2D图像的虚拟试衣方法及装置
技术领域
本发明涉及计算机与网络技术领域，尤指一种虚拟试衣方法及装置。
背景技术
随着计算机技术和在线购物平台的发展，在线服装购物出现了显著的增长，与传统购物相比，在线购物具有方便快捷等诸多优势，但由于不能像实体店服装购物一样可以实时试穿、检查服装后再购买等，有些人依然会为了避免反复退货选择在实体店购买服装，可见创建一个接近现实的交互式购物环境越来越重要，虚拟试衣也由此引起了广泛的关注。
早期主要是基于3D的方法实现虚拟试衣，但是3D方法需要依赖计算机图像学来构建3D模块并渲染试穿图像，且3D数据获取难度较大，需要花费大量的人力物力财力，大大限制了虚拟试穿在实际中的应用。近期有技术人员提出了基于图像的视觉试穿，试图将虚拟试穿转换为条件图像生成问题，并显示出令人鼓舞的结果。目前，国内外很多机构都在做相关研究，但是使用的方法在对衣服进行扭曲时都会出现形状畸变和纹理失真，导致最终合成的试穿图像出现不自然不真实等情况；另外，在试穿合成时没有使用完整的非试穿衣服区域细节，导致试穿图像中不能完全保留参考人的身份细节；再有，通常先使用一个标准的编码器提取目标衣服细节和非试穿衣服区域的细节，之后再通过一个解码器解码的方式形成试穿图像，导致生成失真的试穿图像，尤其是当参考人存在复杂姿势和手臂遮挡时这种现象更为严重。
发明内容
本发明的目的是提供一种基于2D图像的虚拟试衣方法及装置，有效解决现有虚拟试衣中合成的试穿图像出现不自然不真实、失真等情况。
本发明提供的技术方案如下：
一种基于2D图像的虚拟试衣方法，包括：
获取参考人图像和目标衣服图像；
根据由所述参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；
根据所述参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像，及对所述目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码；
基于所述扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；
分别提取所述参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码；
根据所述试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
本发明还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现上述基于2D图像的虚拟试衣方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于2D图像的虚拟试衣方法的步骤。
本发明还提供了一种基于2D图像的虚拟试衣装置，包括：
图像获取模块，用于获取参考人图像和目标衣服图像；
参考人表示图生成模块，用于根据由所述参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；
扭曲衣服图像生成模块，用于根据所述参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像、对所述目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码、及基于所述扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；
试穿合成图像生成模块，用于分别提取所述参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码，并根据所述试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
本发明提供的基于2D图像的虚拟试衣方法及装置中，整体可以分为扭曲衣服阶段和试穿合成阶段：
1.扭曲衣服阶段使用像素扭曲和特征扭曲结合的策略，以此生成更加自然逼真的扭曲衣服形状和纹理，同时提升变形、旋转和遮挡的鲁棒性，解决单独使用像素扭曲时出现的形状畸变纹理失真问题。
2.试穿合成阶段使用新的参考人表示图和两个编码器一个解码器的结构合成试穿合成图像，使得合成的试穿图像保留目标衣服纹理细节的同时保留非试穿衣服区域细节的图像，相比于标准的编解码结构来说，试穿效果更加接近于真实，大大提升了用户体验。另外，对于非试穿区域细节图的提取不仅考虑面部和头发的图像，同时考虑除试穿区域的其他区域，如试穿上衣时，会将裤子区域作为非试穿区域，以完整保留非试穿衣服区域细节，进一步提升效果。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施例，对上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明中基于2D图像的虚拟试衣方法流程示意图；
图2为本发明中对目标衣服图像进行扭曲的流程示意图；
图3为本发明中衣服试穿合成流程图；
图4为本发明中基于2D图像的虚拟试衣装置结构示意图；
图5为本发明一实例中基于衣服形状的试穿效果对比图；
图6为本发明一实例中基于衣服纹理的试穿效果对比图；
图7为本发明一实例中基于下身服装保持的效果对比图；
图8为本发明中终端设备结构示意图。
附图标号说明：
100-基于2D图像的虚拟试衣装置，110-图像获取模块，120-参考人表示图生成模块，130-扭曲衣服图像生成模块，140-试穿合成图像生成模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施例。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施例。
如图1所示为本发明提供的基于2D图像的虚拟试衣方法，包括：
S10获取参考人图像和目标衣服图像；
S20根据由参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；
S30根据参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像，及对目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码；
S40基于扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；
S50分别提取参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码；
S60根据试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
参考人图像和目标衣服图像可来源于专用的图片网站或服装购物网站，参考人图像为需要试穿目标衣服的人的图像，为了达到更好的试穿效果，该图像应尽量完整的保留人的正面特征；试穿目标衣服为参考人图像中的人需要试穿的衣服的图像，该图像应尽量保留衣服的纹理、形状等特征。在进行虚拟试衣之前，需要根据需求搭建神经元网络并对其进行训练，是以数据集中包括训练部分和测试部分。在训练和测试过程中，输入均为参考人图像和目标衣服图像，且在训练过程中目标衣服图像可以为参考人图像中人穿的衣服对应的衣服图像，在测试过程中随机选定。且在训练和测试之前，将各图像处理为统一的尺寸。
在步骤S20，根据由参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图中进一步包括：S21从参考人图像中提取人体部位语义分割图和姿势图；S22根据人体部位语义分割图于参考人图像中得到粗糙身体形状图和非试穿区域细节图；S23根据粗糙身体形状图、姿势图及非试穿区域细节图合成得到参考人表示图。
在这一过程中，首先采用姿势估计提取的方法对参考人图像中人的关键点进行提取得到姿势图，及使用语义分割算法对参考人图像进行语义分割得到人体部位语义分割图。接着，使用人体部位语义分割图的背景区域标签对参考人图像进行处理，得到粗糙身体形状图。之后，使用人体部位语义分割图的面部、头发、裤子区域标签对参考人图像进行处理，得到非试穿区域细节图。最后根据得到的姿势图、粗糙身体形状图和非试穿区域细节图在通道上相连组成参考人表示图。这里，姿势估计提取算法和语义分割算法均可以根据实际需求进行选定，这里不做具体限定，如在一实例中，使用OpenPose(姿势估计器)对参考人图像进行姿势估计，得到具有18个关键点(包括头发、左眼、右眼、左眉、右眉、鼻子、左肩、右肩、左手、右手等)的姿势图；使用LIP(Self-supervised Structure-sensitive Learningand A New Benchmark for Human Parsing，人体解析器)对参考人图像进行语义分割，得到包括背景在内的20个标签的人体部位语义分割图。以此根据得到的姿势图、粗糙身体形状图和非试穿区域细节图在通道上相连组成22通道参考人表示图。对于非试穿区域细节图的提取不仅考虑面部和头发的图像，同时考虑除试穿区域的其他区域，如试穿上衣时，会将裤子区域作为非试穿区域，以完整保留非试穿衣服区域细节，有助于提升试穿效果，更接近于真实。
参考人表示图合成之后，进入对目标衣服图像进行扭曲的步骤，如图2所示，在步骤S30，根据参考人表示图P对目标衣服图像C的像素进行扭曲得到第一扭曲衣服图像
Figure BDA0002730424240000051
中包括：S31将参考人表示图P和目标衣服图像C分别传入两个非共享参数的孪生卷积神经网络W1提取特征，两个孪生卷积神经网络结构相同；S32将参考人表示图和目标衣服图像的特征传入回归网络W2预测空间变换参数θ；S33根据空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像
Figure BDA0002730424240000052
在对衣服图像进行像素扭曲之前，先将参考人表示图P和目标衣服图像C 分别传入两个非共享参数的孪生卷积神经网络W1提取特征，进而根据提取的特征对空间变换参数θ进行预测。这里，创建的两个用于特征提取的神经元网络具有相同的结构，如在一实例中，孪生卷积神经网络中均包含四个步长为2 的下采样卷积层和两个步长为1的卷积层，使用该两个神经元网络W1分别提取了特征之后，随之将提取的特征通过矩阵乘法合起来传入到回归网络W2(包含两个步长为2的下采用卷积层、两个步长为1的卷积层、一个全连接层)中，最后使用tanh激活函数激活得到空间变换参数，以此使用该空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像
Figure BDA0002730424240000061
在对衣服图像进行像素扭曲的同时，本发明同时会对目标衣服图像的特征进行扭曲，包括：S34将目标衣服图像C传入卷积神经网络W3提取特征；S35 根据空间变换参数对提取的目标衣服图像的特征进行扭曲(TPS转换)；S36将扭曲的特征传入与卷积神经网络结构对应的反卷积神经网络W4得到经过特征扭曲的第二扭曲衣服图像
Figure BDA0002730424240000062
和预测扭曲衣服合成掩码MC。
在一实例中，使用五个卷积核为3步长为1的卷积层对目标衣服图像进行特征提取之后，使用五个与卷积层提取的特征图同样大小尺寸的采样网络对特征图进行采样，实现对特征的扭曲。接着，将五个特征扭曲得到的输出输入到与五个卷积层对应的反卷积层中，对其进行解码操作生成经过特征扭曲的第二扭曲衣服图像并预测扭曲衣服合成掩码(解码器的4通道输出中，前3个通道输出第二扭曲衣服图像，第4通道输出预测扭曲衣服合成掩码)。最后，使用该扭曲衣服合成掩码对像素扭曲的第一扭曲衣服图像和特征扭曲的第二扭曲衣服图像进行逐元素乘法操作得到最终扭曲衣服图像CW。
从以上描述可知，本发明的扭曲衣服阶段使用像素扭曲和特征扭曲结合的策略，以此生成更加自然逼真的扭曲衣服形状和纹理，同时提升变形、旋转和遮挡的鲁棒性，解决单独使用像素扭曲时出现的形状畸变纹理失真问题。
完成了对衣服的扭曲之后，进入试穿合成的步骤，如图3所示，在步骤S50，分别提取参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码中包括：S51将参考人表示图P和最终扭曲衣服图CW分别传入两个非共享参数的孪生卷积神经网络W5提取特征，两个孪生卷积神经网络结构相同；S52将参考人表示图P和最终扭曲衣服图CW的特征传入与孪生卷积神经网络结构对应的反卷积神经网络W6得到得到初步试穿合成图像IP及预测试穿图像合成掩码Mcom；两个非共享参数的孪生卷积神经网络的最后一层输出作为对应反卷积神经网络的输入，且两个非共享参数的孪生卷积神经网络其它层的输出通过跨过连接的方式与对应反卷积神经网络相应层连接。
这里，两个非共享参数的孪生卷积神经网络W5除了输入不同外，网络结构相同，如在一实例中，都使用了相同的五个卷积核为3步长为1的卷积层来实现特征提取的目的，且将两个编码器每一层提取的特征以跨过连接的方式连接到解码器的对应层上。解码器W6中使用与五个卷积层对应的反卷积层中进行解码得到初步试穿合成图像并预测试穿图像合成掩码(解码器的4通道输出中，前3个通道输出初步试穿合成图像，第4通道输出预测试穿图像合成掩码)。最后使用试穿图像合成掩码对初步试穿合成图像和最终扭曲衣服图像进行逐元素乘法操作得到最终的扭曲衣服图像If。
在这一阶段，新的参考人表示图和两个编码器一个解码器的结构合成试穿合成图像，使得合成的试穿图像保留目标衣服纹理细节的同时保留非试穿衣服区域细节的图像，相比于标准的编解码结构来说(一次性将参考人表示图和最终扭曲衣服图像传入到一个编解码结构生成试穿结构，不能保证扭曲衣服和其他非衣服细节保持)，试穿效果更加接近于真实，大大提升了用户体验。
如图4所示，本发明还提供了一种基于2D图像的虚拟试衣装置100，包括：图像获取模块110，用于获取参考人图像和目标衣服图像；参考人表示图生成模块120，用于根据由参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；扭曲衣服图像生成模块130，用于根据参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像、对目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码、及基于扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；试穿合成图像生成模块140，用于分别提取参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码，并根据试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
具体，图像获取模块可从专用的图片网站或服装购物网站参考人图像和目标衣服图像，参考人图像为需要试穿目标衣服的人的图像，为了达到更好的试穿效果，该图像应尽量完整的保留人的正面特征；试穿目标衣服为参考人图像中的人需要试穿的衣服的图像，该图像应尽量保留衣服的纹理、形状等特征。在进行虚拟试衣之前，需要根据需求搭建神经元网络并对其进行训练，是以数据集中包括训练部分和测试部分。在训练和测试过程中，输入均为参考人图像和目标衣服图像，且在训练过程中目标衣服图像可以为参考人图像中人穿的衣服对应的衣服图像，在测试过程中随机选定。且在训练和测试之前，将各图像处理为统一的尺寸。
参考人表示图生成模块中包括图提取单元，用于从参考人图像中提取人体部位语义分割图和姿势图；及根据人体部位语义分割图于参考人图像中得到粗糙身体形状图和非试穿区域细节图；图合成单元，用于根据粗糙身体形状图、姿势图及非试穿区域细节图合成得到参考人表示图。
在这一过程中，首先图提取单元采用姿势估计提取的方法对参考人图像中人的关键点进行提取得到姿势图，及使用语义分割算法对参考人图像进行语义分割得到人体部位语义分割图。接着，使用人体部位语义分割图的背景区域标签对参考人图像进行处理，得到粗糙身体形状图。之后，使用人体部位语义分割图的面部、头发、裤子区域标签对参考人图像进行处理，得到非试穿区域细节图。最后图合成单元根据得到的姿势图、粗糙身体形状图和非试穿区域细节图在通道上相连组成参考人表示图。这里，姿势估计提取算法和语义分割算法均可以根据实际需求进行选定，如在一实例中，使用OpenPose对参考人图像进行姿势估计，得到具有18个关键点(包括头发、左眼、右眼、左眉、右眉、鼻子、左肩、右肩、左手、右手等)的姿势图；使用LIP对参考人图像进行语义分割，得到包括背景在内的20个标签的人体部位语义分割图。以此根据得到的姿势图、粗糙身体形状图和非试穿区域细节图在通道上相连组成22通道参考人表示图。对于非试穿区域细节图的提取不仅考虑面部和头发的图像，同时考虑除试穿区域的其他区域，如试穿上衣时，会将裤子区域作为非试穿区域，以完整保留非试穿衣服区域细节，有助于提升试穿效果，更接近于真实。
扭曲衣服图像生成模块中包括：第一编码单元，用于将参考人表示图和目标衣服图像分别传入两个非共享参数的孪生卷积神经网络提取特征，两个孪生卷积神经网络结构相同；及将目标衣服图像传入卷积神经网络提取特征；空间变换参数预测单元，用于将参考人表示图和目标衣服图像的特征传入回归网络预测空间变换参数；变形单元，用于根据空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像及根据空间变换参数对提取的目标衣服图像的特征进行扭曲；第一解码单元，用于将扭曲的特征传入与卷积神经网络结构对应的反卷积神经网络得到经过特征扭曲的第二扭曲衣服图像和预测扭曲衣服合成掩码。
在对衣服图像进行像素扭曲之前，第一编码单元先将参考人表示图和目标衣服图像分别传入两个非共享参数的孪生卷积神经网络提取特征，进而根据提取的特征对空间变换参数进行预测。这里，创建的两个用于特征提取的神经元网络具有相同的结构，如在一实例中，孪生卷积神经网络中均包含四个步长为 2的下采样卷积层和两个步长为1的卷积层，使用该两个神经元网络分别提取了特征之后，随之将提取的特征通过矩阵乘法合起来传入到回归网络(包含两个步长为2的下采用卷积层、两个步长为1的卷积层、一个全连接层)中，最后变形单元使用tanh激活函数激活得到空间变换参数，以此使用该空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像。
在对衣服图像进行像素扭曲的同时，变形单元时会对目标衣服图像的特征进行扭曲，在一实例中，使用五个卷积核为3步长为1的卷积层对目标衣服图像进行特征提取之后，使用五个与卷积层提取的特征图同样大小尺寸的采样网络对特征图进行采样，实现对特征的扭曲。接着，将五个特征扭曲得到的输出输入到与五个卷积层对应的反卷积层中，对其进行解码操作生成经过特征扭曲的第二扭曲衣服图像并预测扭曲衣服合成掩码(解码器的4通道输出中，前3 个通道输出第二扭曲衣服图像，第4通道输出预测扭曲衣服合成掩码)。最后，第一解码单元使用该扭曲衣服合成掩码对像素扭曲的第一扭曲衣服图像和特征扭曲的第二扭曲衣服图像进行逐元素乘法操作得到最终扭曲衣服图像。
试穿合成图像生成模块中包括：第二编码单元，用于将参考人表示图和最终扭曲衣服图分别传入两个非共享参数的孪生卷积神经网络提取特征，两个孪生卷积神经网络结构相同；第二解码单元，用于将参考人表示图和最终扭曲衣服图的特征传入与孪生卷积神经网络结构对应的反卷积神经网络得到得到初步试穿合成图像及预测试穿图像合成掩码；两个非共享参数的孪生卷积神经网络的最后一层输出作为对应反卷积神经网络的输入，且两个非共享参数的孪生卷积神经网络其它层的输出通过跨过连接的方式与对应反卷积神经网络相应层连接。
这里，两个非共享参数的孪生卷积神经网络除了输入不同网络结构相同，如在一实例中，都使用了相同的五个卷积核为3步长为1的卷积层来实现特征提取的目的，且将两个编码器每一层提取的特征以跨过连接的方式连接到解码器的对应层上。解码器中使用与五个卷积层对应的反卷积层中进行解码得到初步试穿合成图像并预测试穿图像合成掩码(解码器的4通道输出中，前3个通道输出初步试穿合成图像，第4通道输出预测试穿图像合成掩码)。最后使用试穿图像合成掩码对初步试穿合成图像和最终扭曲衣服图像进行逐元素乘法操作得到最终的扭曲衣服图像。
在一实例中，由上述各实例中描述的网络结构形成虚拟试衣网络结构及传统的CP-VTON方法的网络结构分别进行虚拟试衣。数据集包括14221张训练集和2032张测试集，使用训练集在CP-VTON的模型进行训练，然后使用测试集进行测试得到2032张试穿合成图像；采用相同的方法处理本发明中模型同样得到2032张测试集图像，采用SSIM(结构相似性)、IS(Inception Score)、 FID(Fréchet Inception Distance)及PSNR(峰值信噪比)四个指标对虚拟试衣的效果进行评价，其中，SSIM和FID计算生成的试穿合成图像和原始的测试集中图像之间的差异，IS和PSNR是计算生成的图像的图像质量。如表1所示为本发明提供的虚拟试穿方法(表中Our method)和传统的CP-VTON方法一实例中的评价结果。从表中可以看出，相较于传统的CP-VTON方法，本发明中的虚拟试穿方法显然能够取得更好的试穿效果。
表1：评价结果对比图
Method SSIM IS FID PSNR
CP-VTON 0.745 2.757 19.108 21.111
Our method 0.857 3.033 8.874 23.959
另外，从衣服形状、衣服纹理和非试穿区域保持三方面定性感受试穿效果，其中，基于衣服形状的试穿效果对比图如图5所示，其中，图5中的(a)为参考人图像，(b)为目标衣服图像，(c)为CP-VTON方法的试穿效果，(d)为本发明方法的试穿效果；基于衣服纹理的试穿效果对比图如图6所示，其中，图6中的 (a)为参考人图像，(b)为目标衣服图像，(c)为CP-VTON方法的试穿效果，(d) 为本发明方法的试穿效果；基于下身服装保持的效果对比图如图7所示，其中，图7中的(a)为参考人图像，(b)为目标衣服图像，(c)为CP-VTON方法的试穿效果，(d)为本发明方法的试穿效果。从图中可以看出，本发明的方法较传统的 CP-VTON方法方法来说，衣服形状、衣服纹理均有更好的效果，视觉上不会出现明显的失真；且本发明中保持了更多的非试穿区域细节，同样达到了提升试穿效果的目的。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图8是本发明一个实施例中提供的终端设备的结构示意图，如所示，该终端设备200包括：处理器220、存储器210以及存储在存储器210中并可在处理器220上运行的计算机程序211，例如：虚拟试穿程序。处理器220执行计算机程序211时实现上述各个虚拟试穿方法实施例中的步骤，或者，处理器220 执行计算机程序211时实现上述各虚拟试穿装置实施例中各模块的功能。
终端设备200可以为笔记本、掌上电脑、平板型计算机、手机等设备。终端设备200可包括，但不仅限于处理器220、存储器210。本领域技术人员可以理解，图8仅仅是终端设备200的示例，并不构成对终端设备200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如：终端设备200还可以包括输入输出设备、显示设备、网络接入设备、总线等。
处理器220可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器220可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器210可以是终端设备200的内部存储单元，例如：终端设备200的硬盘或内存。存储器210也可以是终端设备200的外部存储设备，例如：终端设备200上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器210还可以既包括终端设备200的内部存储单元也包括外部存储设备。存储器210用于存储计算机程序211以及终端设备200所需要的其他程序和数据。存储器210 还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露终端设备和方法，可以通过其他的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序211发送指令给相关的硬件完成，计算机程序211可存储于一计算机可读存储介质中，该计算机程序211在被处理器220执行时，可实现上述各个方法实施例的步骤。其中，计算机程序211包括：计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序211代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如：在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施例，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施例，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于2D图像的虚拟试衣方法，其特征在于，包括：
获取参考人图像和目标衣服图像；
根据由所述参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；
根据所述参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像，及对所述目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码；
基于所述扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；
分别提取所述参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码；
根据所述试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
2.如权利要求1所述的虚拟试衣方法，其特征在于，所述根据由所述参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图包括：
从所述参考人图像中提取人体部位语义分割图和姿势图；
根据所述人体部位语义分割图于所述参考人图像中得到粗糙身体形状图和非试穿区域细节图；
根据所述粗糙身体形状图、姿势图及非试穿区域细节图合成得到所述参考人表示图。
3.如权利要求1或2所述的虚拟试衣方法，其特征在于，所述根据所述参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像包括：
将所述参考人表示图和目标衣服图像分别传入两个非共享参数的孪生卷积神经网络提取特征，所述两个孪生卷积神经网络结构相同；
将所述参考人表示图和目标衣服图像的特征传入回归网络预测空间变换参数；
根据所述空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像。
4.如权利要求3所述的虚拟试衣方法，其特征在于，所述对所述目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码包括：
将所述目标衣服图像传入卷积神经网络提取特征；
根据所述空间变换参数对提取的目标衣服图像的特征进行扭曲；
将扭曲的特征传入与所述卷积神经网络结构对应的反卷积神经网络得到经过特征扭曲的第二扭曲衣服图像和预测扭曲衣服合成掩码。
5.如权利要求1或2或4所述的虚拟试衣方法，其特征在于，所述分别提取所述参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码包括：
将所述参考人表示图和最终扭曲衣服图分别传入两个非共享参数的孪生卷积神经网络提取特征，所述两个孪生卷积神经网络结构相同；
将所述参考人表示图和最终扭曲衣服图的特征传入与所述孪生卷积神经网络结构对应的反卷积神经网络得到得到初步试穿合成图像及预测试穿图像合成掩码；所述两个非共享参数的孪生卷积神经网络的最后一层输出作为对应反卷积神经网络的输入，且两个非共享参数的孪生卷积神经网络其它层的输出通过跨过连接的方式与对应反卷积神经网络相应层连接。
6.一种基于2D图像的虚拟试衣装置，其特征在于，包括：
图像获取模块，用于获取参考人图像和目标衣服图像；
参考人表示图生成模块，用于根据由所述参考人图像中提取的粗糙身体形状图、姿势图及非试穿区域细节图合成参考人表示图；
扭曲衣服图像生成模块，用于根据所述参考人表示图对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像、对所述目标衣服图像的特征进行扭曲得到第二扭曲衣服图像和预测扭曲衣服合成掩码、及基于所述扭曲衣服合成掩码对第一扭曲衣服图像和第二扭曲衣服图像进行合成得到最终扭曲衣服图像；
试穿合成图像生成模块，用于分别提取所述参考人表示图和最终扭曲衣服图像的特征得到初步试穿合成图像及预测试穿图像合成掩码，并根据所述试穿图像合成掩码合成初步试穿合成图像和最终扭曲衣服图像得到最终的试穿合成图像，完成基于2D图像的虚拟试衣。
7.如权利要求6所述的虚拟试衣装置，其特征在于，所述扭曲衣服图像生成模块中包括：
第一编码单元，用于将所述参考人表示图和目标衣服图像分别传入两个非共享参数的孪生卷积神经网络提取特征，所述两个孪生卷积神经网络结构相同；及将所述目标衣服图像传入卷积神经网络提取特征；
空间变换参数预测单元，用于将所述参考人表示图和目标衣服图像的特征传入回归网络预测空间变换参数；
变形单元，用于根据所述空间变换参数对目标衣服图像的像素进行扭曲得到第一扭曲衣服图像及根据所述空间变换参数对提取的目标衣服图像的特征进行扭曲；
第一解码单元，用于将扭曲的特征传入与所述卷积神经网络结构对应的反卷积神经网络得到经过特征扭曲的第二扭曲衣服图像和预测扭曲衣服合成掩码。
8.如权利要求6或7所述的虚拟试衣装置，其特征在于，所述试穿合成图像生成模块中包括：
第二编码单元，用于将所述参考人表示图和最终扭曲衣服图分别传入两个非共享参数的孪生卷积神经网络提取特征，所述两个孪生卷积神经网络结构相同；
第二解码单元，用于将所述参考人表示图和最终扭曲衣服图的特征传入与所述孪生卷积神经网络结构对应的反卷积神经网络得到得到初步试穿合成图像及预测试穿图像合成掩码；所述两个非共享参数的孪生卷积神经网络的最后一层输出作为对应反卷积神经网络的输入，且两个非共享参数的孪生卷积神经网络其它层的输出通过跨过连接的方式与对应反卷积神经网络相应层连接。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时实现如权利要求1-5中任一项所述基于2D图像的虚拟试衣方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述基于2D图像的虚拟试衣方法的步骤。
CN202011116383.0A 2020-10-19 2020-10-19 基于2d图像的虚拟试衣方法及装置 Active CN112258269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011116383.0A CN112258269B (zh) 2020-10-19 2020-10-19 基于2d图像的虚拟试衣方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116383.0A CN112258269B (zh) 2020-10-19 2020-10-19 基于2d图像的虚拟试衣方法及装置

Publications (2)

Publication Number Publication Date
CN112258269A true CN112258269A (zh) 2021-01-22
CN112258269B CN112258269B (zh) 2024-05-28

Family

ID=74245400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116383.0A Active CN112258269B (zh) 2020-10-19 2020-10-19 基于2d图像的虚拟试衣方法及装置

Country Status (1)

Country Link
CN (1) CN112258269B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269072A (zh) * 2021-05-18 2021-08-17 咪咕文化科技有限公司 图片处理方法、装置、设备及计算机程序
CN113361560A (zh) * 2021-03-22 2021-09-07 浙江大学 一种基于语义的多姿势虚拟试衣方法
CN113822175A (zh) * 2021-09-03 2021-12-21 西安工程大学 一种基于关键点聚类驱动匹配的虚拟试衣图像生成方法
KR102374141B1 (ko) * 2021-03-03 2022-03-15 (주)내스타일 유연한 가상 피팅 이미지 생성을 위한 의상영역 제거 방법
CN114638665A (zh) * 2022-03-11 2022-06-17 北京奇艺世纪科技有限公司 一种图像处理方法、装置、设备及介质
CN114880057A (zh) * 2022-04-22 2022-08-09 北京三快在线科技有限公司 图像显示方法、装置、终端、服务器及存储介质
US20220319055A1 (en) * 2021-03-31 2022-10-06 Sony Group Corporation Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture
WO2023279922A1 (zh) * 2021-07-05 2023-01-12 京东科技信息技术有限公司 用于生成图像的方法和装置
CN117575746A (zh) * 2024-01-17 2024-02-20 武汉人工智能研究院 虚拟试穿方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6310627B1 (en) * 1998-01-20 2001-10-30 Toyo Boseki Kabushiki Kaisha Method and system for generating a stereoscopic image of a garment
CN101647609A (zh) * 2009-08-13 2010-02-17 秦衡 适用于网络试衣系统的人体建模方法
CN105608238A (zh) * 2014-11-21 2016-05-25 中兴通讯股份有限公司 服装试穿方法及装置
US20160154993A1 (en) * 2014-12-01 2016-06-02 Modiface Inc. Automatic segmentation of hair in images
CN107798713A (zh) * 2017-09-04 2018-03-13 昆明理工大学 一种面向二维虚拟试穿的图像变形方法
CN109615585A (zh) * 2018-10-29 2019-04-12 深圳市赛亿科技开发有限公司 人体图像的姿态矫正方法和装置、电子设备、存储介质
CN111104755A (zh) * 2019-12-31 2020-05-05 卢连欢 一种人体三维扫描自动化立体剪裁系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6310627B1 (en) * 1998-01-20 2001-10-30 Toyo Boseki Kabushiki Kaisha Method and system for generating a stereoscopic image of a garment
CN101647609A (zh) * 2009-08-13 2010-02-17 秦衡 适用于网络试衣系统的人体建模方法
CN105608238A (zh) * 2014-11-21 2016-05-25 中兴通讯股份有限公司 服装试穿方法及装置
US20160154993A1 (en) * 2014-12-01 2016-06-02 Modiface Inc. Automatic segmentation of hair in images
CN107798713A (zh) * 2017-09-04 2018-03-13 昆明理工大学 一种面向二维虚拟试穿的图像变形方法
CN109615585A (zh) * 2018-10-29 2019-04-12 深圳市赛亿科技开发有限公司 人体图像的姿态矫正方法和装置、电子设备、存储介质
CN111104755A (zh) * 2019-12-31 2020-05-05 卢连欢 一种人体三维扫描自动化立体剪裁系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BELONGIE，ET AL: ""Shape Matching and Object Recognition Using Shape Contexts"", "SHAPE MATCHING AND OBJECT RECOGNITION USING SHAPE CONTEXTS", vol. 24, no. 4, pages 509 - 522 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102374141B1 (ko) * 2021-03-03 2022-03-15 (주)내스타일 유연한 가상 피팅 이미지 생성을 위한 의상영역 제거 방법
CN113361560A (zh) * 2021-03-22 2021-09-07 浙江大学 一种基于语义的多姿势虚拟试衣方法
US20220319055A1 (en) * 2021-03-31 2022-10-06 Sony Group Corporation Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture
US11961266B2 (en) * 2021-03-31 2024-04-16 Sony Group Corporation Multiview neural human prediction using implicit differentiable renderer for facial expression, body pose shape and clothes performance capture
CN113269072A (zh) * 2021-05-18 2021-08-17 咪咕文化科技有限公司 图片处理方法、装置、设备及计算机程序
CN113269072B (zh) * 2021-05-18 2024-06-07 咪咕文化科技有限公司 图片处理方法、装置、设备及计算机程序
WO2023279922A1 (zh) * 2021-07-05 2023-01-12 京东科技信息技术有限公司 用于生成图像的方法和装置
CN113822175A (zh) * 2021-09-03 2021-12-21 西安工程大学 一种基于关键点聚类驱动匹配的虚拟试衣图像生成方法
CN113822175B (zh) * 2021-09-03 2023-09-01 西安工程大学 一种基于关键点聚类驱动匹配的虚拟试衣图像生成方法
CN114638665A (zh) * 2022-03-11 2022-06-17 北京奇艺世纪科技有限公司 一种图像处理方法、装置、设备及介质
CN114880057A (zh) * 2022-04-22 2022-08-09 北京三快在线科技有限公司 图像显示方法、装置、终端、服务器及存储介质
CN117575746A (zh) * 2024-01-17 2024-02-20 武汉人工智能研究院 虚拟试穿方法、装置、电子设备及存储介质
CN117575746B (zh) * 2024-01-17 2024-04-16 武汉人工智能研究院 虚拟试穿方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112258269B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN112258269B (zh) 基于2d图像的虚拟试衣方法及装置
CN112232914B (zh) 基于2d图像的四阶段虚拟试衣方法及装置
Cho et al. Weakly-and self-supervised learning for content-aware deep image retargeting
Dong et al. Color-guided depth recovery via joint local structural and nonlocal low-rank regularization
CN110263909A (zh) 图像识别方法及装置
Kang et al. Competitive learning of facial fitting and synthesis using uv energy
CN113808277A (zh) 一种图像处理方法及相关装置
CN113538221A (zh) 三维人脸的处理方法、训练方法、生成方法、装置及设备
CN113610958A (zh) 一种基于风格迁移的3d图像构建方法、装置及终端
CN113658326A (zh) 三维毛发的重建方法及装置
CN111429371A (zh) 图像处理方法、装置及终端设备
Hu et al. Cloth texture preserving image-based 3D virtual try-on
CN117593178A (zh) 一种基于特征引导的虚拟试衣方法
Han Texture Image Compression Algorithm Based on Self‐Organizing Neural Network
Zhu et al. CEFusion: Multi‐Modal medical image fusion via cross encoder
Yu et al. Decolorization algorithm based on contrast pyramid transform fusion
CN116993892A (zh) 一种基于生成对抗网络的面部纹理补全方法
CN116012501A (zh) 基于风格内容自适应归一化姿态引导的图像生成方法
CN106875461A (zh) 一种涂色平面图像3d模型变换系统及方法
CN112258392A (zh) 一种超分辨图像训练方法、装置、介质及设备
CN116362972B (zh) 图像处理方法、装置、电子设备及存储介质
Yang et al. An end‐to‐end perceptual enhancement method for UHD portrait images
CN115147681B (zh) 服饰生成模型的训练、生成服饰图像的方法和装置
Han et al. Remote sensing Image super-resolution adversarial network based on reverse feature fusion and residual feature dilation
Wan et al. A parallel framework for texture substitution coding

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant