3 Archivos adjunto(s)
Peluquería virtual mediante máscaras de segmentación
Ya no tienes excusa para no ir a la peluquería, a no ser que no tengas pelo, en ese caso puedes dejar de leer. No, bromas a parte, los artistas y desarrolladores Peter Wonka, Rameen Abdal, John Femiani y Peihao Zhu están desarrollando un software capaz de mostrar cómo te quedará el pelo antes de manipularlo. De esa forma podrás escoger la opción que más te guste.
Echa un vistazo a un nuevo sistema basado en GAN que permite a los usuarios probar diferentes cortes de pelo. La nueva investigación se centra en la mezcla de imágenes y el problema de la transferencia de peinado, utilizando GAN mediante máscaras de segmentación.
Proponen un nuevo espacio latente para la mezcla de imágenes que es mejor para preservar el detalle y codificar la información espacial, y proponen un nuevo algoritmo de incrustación GAN que es capaz de modificar ligeramente las imágenes para ajustarse a una máscara de segmentación común.
Esta nueva representación permite la transferencia de las propiedades visuales de múltiples imágenes de referencia, incluidos detalles específicos como lunares y arrugas, y debido a que hacen mezcla de imágenes en un espacio latente, pueden sintetizar imágenes que son coherentes.
El equipo afirma que su nuevo modelo permite evitar la mezcla de artefactos para generar una imagen consistente a nivel general que promete que el sistema funciona más del 95 por ciento de las veces.
Debido a la rápida mejora de las redes generativas adversarias (GAN); la edición de imágenes basada en GAN se ha convertido recientemente herramienta utilizada en aplicaciones de escritorio para redes sociales y profesionales; herramientas de edición de fotografías para usuarios ocasionales.
De particular interés son las herramientas para editar fotografías de rostros humanos. En este artículo, proponemos nuevas herramientas para la edición de imágenes mezclando elementos de varios ejemplos de imágenes para crear una imagen compuesta. El enfoque está en la tarea de la edición de cabello.
A pesar del reciente éxito de la edición de rostros basada en el espacio latente, la mayoría de las tareas de edición operan en una imagen cambiando atributos globales como pose, expresión, género o edad.
Otro enfoque para la edición de imágenes es seleccionar características de imágenes de referencia y mezclarlas para formar una sola imagen compuesta.
Estas tareas son extremadamente difíciles por una variedad de razones. El principal de ellos es el hecho de que las propiedades visuales de las diferentes partes de una imagen no son independientes entre sí.
La apariencia del cabello, por ejemplo, está fuertemente influenciada por el ambiente y la luz que se refleja, así como en los colores transmitidos desde la cara, la ropa y el fondo subyacente.
La pose de una cabeza influye la apariencia de la nariz, los ojos y la boca, y la geometría de la cabeza y los hombros de las personas influyen en las sombras y la estructura de cabello.
Otros desafíos son la oclusión del fondo, que sucede cuando la región del cabello se encoge con respecto a la antecedente.
La oclusión de la región de la cara puede exponer nuevas partes de la cara, como las orejas, la frente o la línea de la mandíbula.
La forma del cabello está influenciado por la pose y también por los parámetros intrínsecos de la cámara, por lo que es posible que tenga que cambiar la pose para adaptarse al cabello.
No tener en cuenta la coherencia global de una imagen conduce a crear artefactos notables; las diferentes regiones de la imagen parecen desarticuladas incluso si cada parte se sintetiza con un alto nivel de realismo.
El objetivo es hacer una sola imagen compuesta coherente que equilibre la fidelidad de cada región a la imagen de referencia correspondiente; mientras también sintetiza una imagen convincente y altamente realista en general.
Los métodos anteriores de transferencia de cabello basados en GAN utilizan un canalización compleja de generadores de condicionales GAN, cada módulo de condición especializado para representar, procesar y convertir entradas de referencia con diferentes atributos visuales, o hacer uso de la optimización del espacio latente con pérdida cuidadosamente diseñada y ortogonalización gradual para desenredar explícitamente los atributos del cabello.
Si bien ambos métodos son muy prometedores viendo los resultados iniciales, todavía podrían mejorarse enormemente.
Además, estos métodos no hacen uso de un paso de alineación semántica para fusionar regiones semánticas a partir de diferentes imágenes de referencia en el espacio latente; por ejemplo para alinear una región del cabello y una región de la cara de diferentes imágenes.
En este trabajo, proponen un novedoso método de optimización para la transferencia de peinado fotorrealista, intercambio de rostros y otras tareas de edición de imágenes compuestas aplicadas a rostros.
Nuestro enfoque utiliza la inversión GAN para generar reconstrucciones de alta fidelidad de imágenes de referencia.
Si te interesa el tema, puedes visitar el sitio web de la investigación, dejo también archivos adjuntos.
https://youtu.be/ZU-yrAvoJfQ
-- IMÁGENES ADJUNTAS --
https://foro3d.com/attachment.php?attachmentid=239382
https://foro3d.com/attachment.php?attachmentid=239383
https://foro3d.com/attachment.php?attachmentid=239384
