计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月26日
]
标题: 视频虚拟试穿与条件扩散变换器修复画笔
标题: Video Virtual Try-on with Conditional Diffusion Transformer Inpainter
摘要: 视频虚拟试穿旨在自然地将服装适配到连续视频帧中的目标人物。 这是一项具有挑战性的任务,一方面,输出视频应具有良好的时空一致性,另一方面,给定服装的细节需要在所有帧中得到良好保留。 简单地逐帧使用基于图像的试穿方法会导致由于严重不一致而产生较差的结果。 最近基于扩散的视频试穿方法虽然很少,但恰好采用了一种类似的解决方案:将时间注意力插入基于图像的试穿模型以适应视频试穿任务,这些方法已显示出改进,但仍然存在不一致问题。 在本文中,我们提出了ViTI(Video Try-on Inpainter),将视频虚拟试穿建模并实现为一个条件视频修复任务,这与之前的方法不同。 这样,我们从视频生成问题开始,而不是基于图像的试穿问题,从一开始就具有更好的时空一致性。 具体来说,首先我们构建了一个基于扩散变压器的视频修复框架,具有完整的3D时空注意力,然后我们逐步将其适应于视频服装修复,采用一系列遮罩策略和多阶段训练。 经过这些步骤,模型可以根据提示以良好的时空一致性用适当的服装像素修复被遮罩的服装区域。 最后,与其他试穿方法一样,将服装条件添加到模型中,以确保修复后的服装外观和细节符合预期。 定量和定性实验结果表明,ViTI优于先前的工作。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.