Dress Code: Hochauflösende Mehr-Kategorie-Virtuelle Anprobung

Bildbasierte virtuelle Probierproben zielen darauf ab, das Erscheinungsbild eines Kleidungsstücks auf das Bild einer Zielperson zu übertragen. Vorangegangene Arbeiten konzentrieren sich hauptsächlich auf Oberkörperkleidung (z. B. T-Shirts, Hemden und Oberteile) und vernachlässigen vollständige oder untere Körperkleidung. Dieser Mangel resultiert aus einem zentralen Faktor: Aktuell verfügbare öffentliche Datensätze für bildbasierte virtuelle Probierproben berücksichtigen diese Vielfalt nicht, was den Fortschritt in diesem Bereich einschränkt. Um diese Lücke zu schließen, stellen wir Dress Code vor, welches Bilder von Kleidungsstücken mehrerer Kategorien enthält. Dress Code ist mehr als dreimal größer als bisher verfügbare öffentliche Datensätze für bildbasierte virtuelle Probierproben und verfügt über hochauflösende Paarbilder (1024×768) mit vorderansichtsorientierten, vollkörpigen Referenzmodellen. Um hochauflösende Probierbilder mit hoher visueller Qualität und reich an Details zu erzeugen, schlagen wir vor, feinabgestimmte, differenzierende Merkmale zu lernen. Insbesondere nutzen wir einen semantikbewussten Diskriminator, der auf Pixel-Ebene statt auf Bild- oder Patch-Ebene Vorhersagen trifft. Ausführliche experimentelle Bewertungen zeigen, dass der vorgeschlagene Ansatz die Baselines und state-of-the-art-Konkurrenten hinsichtlich visueller Qualität und quantitativer Ergebnisse übertrifft. Der Dress Code-Datensatz ist öffentlich unter https://github.com/aimagelab/dress-code verfügbar.