文章目录
论文: 《Dressing in the Wild by Watching Dance Videos》
github:暂未开源
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,,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
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,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
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,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,
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,这需要学习补充以外区域,生成过程如式4;
损失函数
GTN训练损失函数针对三部分进行:融合mask 、重构、重构;
使用BCE损失监督及,如下式,
在线循环优化
实验
数据集
Dance50k数据集包含5W个单人跳舞序列(15s左右),其不仅可用于虚拟试衣,还可用于以人为中心的图像、视频方向;
评估方案
作者从两个角度进行评估:姿态迁移结果准确性及生成衣服迁移结果真实性;
使用SSIM评估姿态迁移;使用FID、LPIPS评估衣服迁移;使用IoU评估衣服形状,仅限于宽松衣服,由于紧身衣服通过SMPL建模IoU指标较高; 除此之外还有人工评测;
定性比较
如图4,作者在Dance5k及DeepFashion数据集,与ADGAN、DiOR、LWG进行比较;
ADGAN不能融合背景,且不能恰当的保留衣服特性;
DiOR在自然场景表现不佳,纹理失真;
LWG当面对复杂姿态时,生成模糊边缘,不能建模宽松衣服;
定量比较
消融实验
如表2为消融实验结果,
结论
本文提出wFlow结合2D与3D身体信息映射衣服纹理,同事引入循环优化适用于非常规衣服,取得不错效果,同时提出Dance50k数据集;
文章出处登录后可见!