区域自适应纹理增强用于细节丰富的人员图像合成

生成逼真的纹理细节对于合成人物图像的保真度至关重要。然而，现有方法通常采用“基于形变”（warping-based）的策略，即通过与姿态迁移相同的路径传播外观特征。由于下采样过程导致大多数细粒度特征丢失，因而生成的图像往往出现衣物过度平滑、细节缺失等问题。本文提出一种名为RATE-Net的新框架，用于生成具有清晰纹理细节的人物图像。该框架引入一个额外的纹理增强模块，从源图像中提取外观信息，并估计出细粒度的残差纹理图，从而对姿态迁移模块生成的粗略估计结果进行精细化修正。此外，我们设计了一种高效的交替更新策略，促进两个模块之间的相互引导，以实现更优的形状与外观一致性。在DeepFashion基准数据集上的实验结果表明，所提框架在性能上显著优于现有方法。