基于条件集合变换的服装搭配补全
Outfit Completion via Conditional Set Transformation
AI总结：
本文提出条件集合变换框架，将服装搭配补全建模为集合检索任务，通过排列不变/等变映射和兼容性正则化，在保证条件满足与兼容性的同时实现高效推理。
摘要：
在本文中，我们将服装搭配补全问题形式化为一个集合检索任务，并提出了一种用于解决该问题的新框架。该方案包括一个基于深度神经网络的条件集合变换架构，以及一种基于兼容性的正则化方法。所提方法利用了一个映射：对输入集合具有排列不变性，对条件集合具有排列等变性。这使得模型能够检索出与输入集合兼容、同时反映条件集合属性的集合。此外，由于该结构在单次推理中即可输出集合的全部元素，因此相对于输出集合的基数，它可以实现可扩展的推理速度。在真实数据上的实验结果表明，所提方法在服装搭配补全任务的准确率、条件满足程度以及补全结果的兼容性方面均优于现有方法。
英文摘要：
In this paper, we formulate the outfit completion problem as a set retrieval task and propose a novel framework for solving this problem. The proposal includes a conditional set transformation architecture with deep neural networks and a compatibility-based regularization method. The proposed method utilizes a map with permutation-invariant for the input set and permutation-equivariant for the condition set. This allows retrieving a set that is compatible with the input set while reflecting the properties of the condition set. In addition, since this structure outputs the element of the output set in a single inference, it can achieve a scalable inference speed with respect to the cardinality of the output set. Experimental results on real data reveal that the proposed method outperforms existing approaches in terms of accuracy of the outfit completion task, condition satisfaction, and compatibility of completion results.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
