షాంఘై టెక్నికల్ యూనివర్సిటీకి చెందిన పరిశోధకుల బృందం
ఫ్రేమ్వర్క్ని ఉపయోగించడం
టూల్కిట్ రెండు డైమెన్షనల్ ఇమేజ్ని ఇన్పుట్గా స్వీకరిస్తుంది మరియు ఎంచుకున్న మోడల్ ఆధారంగా సవరించిన ఫలితాన్ని సంశ్లేషణ చేస్తుంది. మూడు పరివర్తన ఎంపికలకు మద్దతు ఉంది:
మోడల్ శిక్షణ పొందిన కదలికలను అనుసరించే కదిలే వస్తువును సృష్టించడం. ప్రదర్శన యొక్క అంశాలను మోడల్ నుండి వస్తువుకు బదిలీ చేయడం (ఉదాహరణకు, దుస్తులు మార్చడం). కొత్త కోణం యొక్క జనరేషన్ (ఉదాహరణకు, పూర్తి-ముఖ ఛాయాచిత్రం ఆధారంగా ప్రొఫైల్ చిత్రం యొక్క సంశ్లేషణ). మూడు పద్ధతులను మిళితం చేయవచ్చు, ఉదాహరణకు, మీరు వివిధ దుస్తులలో సంక్లిష్టమైన విన్యాస ట్రిక్ యొక్క పనితీరును అనుకరించే ఫోటోగ్రాఫ్ నుండి వీడియోను రూపొందించవచ్చు.
సంశ్లేషణ ప్రక్రియలో, ఛాయాచిత్రంలో ఒక వస్తువును ఎంచుకోవడం మరియు కదిలేటప్పుడు తప్పిపోయిన నేపథ్య మూలకాలను రూపొందించడం వంటి కార్యకలాపాలు ఏకకాలంలో నిర్వహించబడతాయి. న్యూరల్ నెట్వర్క్ మోడల్కు ఒకసారి శిక్షణ ఇవ్వవచ్చు మరియు వివిధ రూపాంతరాల కోసం ఉపయోగించవచ్చు. లోడ్ చేయడం కోసం
రెండు-డైమెన్షనల్ స్పేస్లో శరీరం యొక్క స్థానాన్ని వివరించే కీలక పాయింట్ల ద్వారా పరివర్తనపై ఆధారపడిన పరివర్తన పద్ధతుల వలె కాకుండా, మెషిన్ లెర్నింగ్ పద్ధతులను ఉపయోగించి శరీరం యొక్క వివరణతో త్రిమితీయ మెష్ను సంశ్లేషణ చేయడానికి వేషధారకుడు ప్రయత్నిస్తాడు.
ప్రతిపాదిత పద్ధతి వ్యక్తిగతీకరించిన శరీర ఆకృతి మరియు ప్రస్తుత భంగిమను పరిగణనలోకి తీసుకొని అవకతవకలను అనుమతిస్తుంది, అవయవాల యొక్క సహజ కదలికలను అనుకరిస్తుంది.
రూపాంతర ప్రక్రియ సమయంలో అల్లికలు, శైలి, రంగులు మరియు ముఖ గుర్తింపు వంటి అసలు సమాచారాన్ని భద్రపరచడానికి,
మూలం: opennet.ru