Isang pangkat ng mga mananaliksik mula sa Shanghai Technical University
gamit ang isang balangkas
Ang toolkit ay tumatanggap ng dalawang-dimensional na imahe bilang input at nag-synthesize ng binagong resulta batay sa napiling modelo. Tatlong opsyon sa pagbabago ang sinusuportahan:
Paglikha ng gumagalaw na bagay na sumusunod sa mga paggalaw kung saan sinanay ang modelo. Paglilipat ng mga elemento ng hitsura mula sa isang modelo patungo sa isang bagay (halimbawa, isang pagbabago ng damit). Pagbuo ng bagong anggulo (halimbawa, synthesis ng isang larawan sa profile batay sa isang full-face na litrato). Ang lahat ng tatlong paraan ay maaaring pagsamahin, halimbawa, maaari kang bumuo ng isang video mula sa isang litrato na ginagaya ang pagganap ng isang kumplikadong acrobatic trick sa iba't ibang damit.
Sa panahon ng proseso ng synthesis, ang mga operasyon ng pagpili ng isang bagay sa isang litrato at pagbuo ng mga nawawalang elemento ng background kapag gumagalaw ay sabay-sabay na isinasagawa. Ang modelo ng neural network ay maaaring sanayin nang isang beses at magamit para sa iba't ibang pagbabago. Para sa paglo-load
Hindi tulad ng mga paraan ng pagbabagong-anyo batay sa pagbabagong-anyo sa pamamagitan ng mga pangunahing punto na naglalarawan sa lokasyon ng katawan sa dalawang-dimensional na espasyo, sinusubukan ng Impersonator na mag-synthesize ng three-dimensional na mesh na may paglalarawan ng katawan gamit ang mga pamamaraan ng machine learning.
Ang iminungkahing pamamaraan ay nagbibigay-daan para sa mga manipulasyon na isinasaalang-alang ang personalized na hugis ng katawan at kasalukuyang pustura, na ginagaya ang mga natural na paggalaw ng mga limbs.
Upang mapanatili ang orihinal na impormasyon tulad ng mga texture, istilo, kulay at pagkilala sa mukha sa panahon ng proseso ng pagbabago,
Pinagmulan: opennet.ru