稠密姿态迁移
计算机视觉与模式识别
2018-09-07 v1
摘要
在这项工作中，我们将基于表面的建模思想与神经合成相结合：我们提出了一种基于表面的姿态估计与深度生成模型的组合，使我们能够执行准确的姿态迁移，即基于该人物的单张图像和姿态供体的图像来合成该人物的新图像。我们使用一个稠密姿态估计系统将两幅图像的像素映射到共同的基于表面的坐标系，使两幅图像能够彼此建立对应。在将源图像强度扭曲到目标姿态之前，我们在表面坐标系中对它们进行修复和细化。这些预测通过一个卷积预测模块与一个神经合成模块相融合，允许对整个流水线进行端到端的联合训练，优化对抗损失和感知损失的组合。我们表明，稠密姿态估计是比基于关键点或基于掩码的替代方案更强大的条件输入，并在 DeepFashion 和 MVC 数据集上报告了相对于最先进生成器的系统性改进。
引用
@article{arxiv.1809.01995,
title = {Dense Pose Transfer},
author = {Natalia Neverova and Riza Alp Guler and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1809.01995},
year = {2018}
}
备注
ECCV 2018