解决问题

问题：
虚拟试衣已经取得较大进步，但是现有方法忽略了自然场景，在自然场景表现出衣服人体未对齐，精细纹理细节退化；
解决方法：
wFlow关注自然场景，并且在真实性及自然性上改进明显，尤其对于宽松衣服：skirt和dress，有挑战性pose：胳膊交叉、腿弯曲，凌乱背景；
2D pixel flow适用于紧身或宽松衣服，然而对于pose变化比较大时失效；3D vertex flow虽然在各种姿势上表现较好，但是牺牲变形自由度，对于宽松衣服表现不好；wFlow将两者结合，作者基于Dance50k视频数据（利用跨帧一致性自监督训练）进行虚拟试衣，不需要成对图像训练，降低工作量；
本文贡献如下：
1、第一次探究自然场景下衣服迁移问题。
2、可将任意服装迁移至任何自然场景下复杂姿势，wFlow结合2D与3D信息；
3、构建大规模视频数据集，Dance50k，包括50k个跳舞视频序列；

算法

如图1，常规训练需要成对数据， wFlow(CVPR2022)-虚拟试衣论文解读，给出，生成，然而难以获得，本文使用进行训练，其中与为同一人不同姿势，可通过视频不同帧获取。

图2为wFlow整体流程，包括以下三个阶段：
有条件人体分割：生成人体layout wFlow(CVPR2022)-虚拟试衣论文解读
像素流估计：利用预测预测pixel flow
wFlow引导衣服迁移

stage1: 有条件人体分割

直接使用姿态迁移进行衣服迁移，容易出现过拟合，因为训练过程使用同一人不同姿态，但在测试时为不同人体。
因此有条件分割网络（Conditional Person Segmentation, CSN）用于预测人体分割，其既能保证目标形状，又能保留源图衣服信息，如图2a所示，
CSN包括两个编码器，首先提取来自两个图像集合特征：
（1）20通道的人体分割 wFlow(CVPR2022)-虚拟试衣论文解读及人体特征（包括3通道RGB图、1通道人体mask（由二值化获得）、3通道densepose(SMPL映射到UV空间)、18通道人体关键点）
（2）目标图densepose 及人体关键点。使用可用于补充学习可能难以感知粗糙目标形状。
将上述两者提取到特征，送入残差网络，输出目标人体mask及分割 wFlow(CVPR2022)-虚拟试衣论文解读，如式1，对于使用L1损失，使用交叉熵损失；

stage2: pixel flow估计

2D pixel flow用于保留图像之间结构及纹理信息，与目标无关，这保证对任意衣服款式的泛化性；因此作者使用PFN估计pixel flow wFlow(CVPR2022)-虚拟试衣论文解读
如图2b，其输入与CSN类似，源分支与CSN输入一致，目标分支增加CSN所预测及
真实场景下源图与目标图难免发生较大变形，此时仅使用PFN容易产生伪影，对此引入特征关联层提高网络泛化性；
此外，编码器与解码器同层特征进行级联，加速学习进程；
解码器输入为两个同级别编码器特征及其相关性向量；由于源图与目标图为同一人不同姿势，因此可通过自监督训练pixel flow估计，通过依据pixel flow映射到目标帧的纹理与真值纹理差异性进行监督。
该过程如式2所示， wFlow(CVPR2022)-虚拟试衣论文解读可以映射源图到目标图纹理特征；
本文PFN与ClothFlow区别为以下三点：
1、使用densepose 作为输入；
2、使用相关层提供明确特征匹配引导；
3、ClothFlow利用估计的光流扭曲每个编码特征解决特征不对齐问题，而本文没有这样做，因为如果预测光流不准确将产生累计误差；

stage3: 使用wFlow进行衣服迁移

wFlow

使用阶段2产生的2D pixel flow及3D SMPL vertex flow，提升模型容纳能力，使得当面对自然场景时，模型拥有更大姿态迁移潜力；具体来说：
1、生成拟合 wFlow(CVPR2022)-虚拟试衣论文解读的SMPL body mesh，将其映射为二维UV空间的densepose表征；
2、因为SMPL拓扑结构固定，因此可进行计算与之间二维vertex flow ；
3、根据式3获取wFlow ，

GTN

如图2c，GTN有三个UNet生成器 wFlow(CVPR2022)-虚拟试衣论文解读，
修复原图与目标图背景，输入源图及目标图背景，输出修复后的背景；
重构原图，联合densepose masked源RGB图及源mask ，通过重构，尽量与一致；
由于来自SMPL mesh，因此，中宽松衣服的一些区域会被mask，这需要 wFlow(CVPR2022)-虚拟试衣论文解读学习补充以外区域，生成过程如式4；