SNUG: Self-Supervised Neural Dynamic Garments
Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
我们提出了一种自监督的方法来学习参数化人体所穿服装的动态3D变形。最先进的数据驱动的3D服装变形建模方法是使用监督策略进行训练的,这些策略需要大型数据集,通常是通过昂贵的基于物理的模拟方法或专业的多相机捕获设置获得的。相比之下,我们提出了一种新的训练方案,该方案消除了对地面真实样本的需求,从而实现了动态3D服装变形的自监督训练。我们的主要贡献是实现了基于物理的变形模型,传统上通过隐式积分器逐帧解决,可以重新转换为优化问题。我们利用这种基于优化的方案来制定一组基于物理的损失项,这些损失项可用于训练神经网络,而无需预先计算地面实况数据。这使我们能够学习交互式服装的模型,包括动态变形和精细褶皱,与最先进的监督方法相比,训练时间加快了两个数量级
2022-04-05 cs.CV cs.GR cs.LG
GAPS: Geometry-Aware, Physics-Based, Self-Supervised Neural Garment Draping
CNRS(法国国家科学研究中心);Université Claude Bernard Lyon 1(里昂第一大学);INSA Lyon(里昂国立应用科学学院);École Centrale de Lyon(里昂中央理工学院);Université Lumière Lyon 2(里昂第二大学);LIRIS UMR5205(里昂信息与系统科学研究院)
本文提出GAPS,通过引入碰撞感知的几何约束和几何感知蒙皮方法,解决现有神经物理服装建模中的不真实拉伸和宽松服装蒙皮错误问题,实现更逼真的悬垂效果。
2024-03-14 cs.CV cs.GR cs.LG
Low-Barrier Dataset Collection with Real Human Body for Interactive Per-Garment Virtual Try-On
The University of Tokyo(东京大学);SoftBank Corp(软银公司)
针对现有单服装虚拟试穿数据集采集成本高、服装与人体对齐不准的问题,提出低门槛真人数据集采集方法与混合人体表征,在图像质量、时间一致性上优于前沿方法,用户研究显示其有助于服装购买决策。
2025-06-12 cs.CV cs.GR
SwinGar: Spectrum-Inspired Neural Dynamic Deformation for Free-Swinging Garments
Beijing University of Technology(北京工业大学);The University of Tokyo(东京大学)
本文提出SwinGar统一框架,通过频谱频率控制策略、频谱描述符和结合LSTM的动态形变估计器,实现任意拓扑衣物的高频细节动态形变预测,并辅以神经碰撞处理提升真实感。
2023-08-05 cs.CV cs.GR
AniDress: Animatable Loose-Dressed Avatar from Sparse Views Using Garment Rigging Model
State Key Lab of CAD&CG, Zhejiang University(浙江大学CAD&CG国家重点实验室)
针对现有方法难以从稀疏视图构建宽松服装可动画化身的问题,本文提出AniDress方法,结合基于虚拟骨骼的服装绑定模型与姿态驱动可变形NeRF,实现自然服装动态渲染,性能优于现有方法。
2024-01-27 cs.CV cs.GR
D-Garment: Physically Grounded Latent Diffusion for Dynamic Garment Deformations
Inria Centre at the University Grenoble Alpes(格勒诺布尔阿尔卑斯大学Inria研究中心);Inria, University of Rennes, CNRS, IRISA-UMR 6074(雷恩大学Inria、CNRS、IRISA-UMR 6074);InterDigital Inc.(InterDigital公司)
本文提出D-Garment,通过基于物理的模拟器生成新数据,学习基于物理材料属性的3D生成模型,实现更准确的服装变形和动态皱纹模拟。
2026-04-08 cs.CV
HyperBones: Realtime Bone-driven Neural Garment Simulation with Hypernetwork Conditioning
Meta Reality Labs(Meta现实实验室)
提出一种结合虚拟骨骼驱动粗粒度模拟和卷积神经映射恢复细粒度褶皱的实时神经服装模拟方法,通过超网络调节实现高效物理监督,无需外部模拟器。
2026-09-07 cs.CV cs.GR
FitDiT: Advancing the Authentic Garment Details for High-fidelity Virtual Try-on
Tencent(腾讯);Fudan University(复旦大学)
FitDiT提出基于扩散Transformer的服装感知增强技术,通过纹理提取器、频域损失和膨胀-松弛掩码策略解决纹理保持与尺寸合身问题,在高保真虚拟试穿中超越现有方法并实现4.57秒高效推理。
2024-11-22 cs.CV
Eevee: Towards Close-up High-resolution Video-based Virtual Try-on
Amap, Alibaba Group(高德,阿里巴巴集团);Tianjin University(天津大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
本文提出高分辨率视频虚拟试衣数据集,解决现有方法在真实纹理细节捕捉和近距离视频生成上的不足,引入VGID指标评估服装一致性,提升虚拟试衣的真实感和细节保真度。
2026-04-13 cs.CV
GarmentGS: Point-Cloud Guided Gaussian Splatting for High-Fidelity Non-Watertight 3D Garment Reconstruction
Donghua University(东华大学)
针对3D Gaussian Splatting难以重建高保真非水密服装的问题,提出GarmentGS,利用10分钟级稠密点云引导高斯基元分布,实现高精度单层网格重建、快速训练与实时渲染。
2025-05-14 cs.CV
Auxiliary Features-Guided Super Resolution for Monte Carlo Rendering
Portland State University(波特兰州立大学)
本文提出利用高分辨率辅助特征引导低分辨率渲染的超分辨率方法,通过跨模态Transformer网络和残差密集连接的Swin Transformer组融合特征,有效加速蒙特卡洛渲染并提升渲染质量。
2023-10-20 cs.CV cs.GR
Extended Short- and Long-Range Mesh Learning for Fast and Generalized Garment Simulation
School of Computer Science, The University of Sydney(悉尼大学计算机科学学院);School of Science, Edith Cowan University(伊迪斯科文大学理学院);Sydney Polytechnic Institute Pty Ltd(悉尼理工学院私人有限公司)
针对GNN在高分辨率服装模拟中因消息传递效率低的问题,提出含LSDMP和GSA模块的新型GNN网格学习框架,扩展消息传递范围且开销小,实验证明其性能先进、层数少、推理延迟低。
2025-04-16 cs.CV
Learning High-Fidelity Cloth Animation via Skinning-Free Image Transfer
The Australian National University(澳大利亚国立大学)
本研究提出无骨骼绑定图像传输方法,通过独立估计顶点位置和法线以生成高保真布料动画,提升动画质量和细节恢复能力。
2025-12-05 cs.CV
NGD: Neural Gradient Based Deformation for Monocular Garment Reconstruction
Indian Institute of Technology Jodhpur(印度理工学院贾尔普尔)
针对单目视频动态服装重建中隐式方法高频细节缺失、模板方法顶点位移产生伪影的问题,提出NGD基于神经梯度的变形方法与自适应重网格化策略,结合动态纹理图学习,显著优于现有SOTA方法,实现高质量重建。
2025-08-25 cs.CV
DS-VTON: An Enhanced Dual-Scale Coarse-to-Fine Framework for Virtual Try-On
Shanghai Jiao Tong University(上海交通大学);Ant Group(蚂蚁集团)
针对虚拟试穿中服装-人体对齐难、细纹理保留差的问题,提出双尺度由粗到精框架DS-VTON,通过低分辨率粗对齐加扩散模型精修的无掩码策略,在多个基准上实现SOTA性能。
2025-10-05 cs.CV
PBNS: Physically Based Neural Simulator for Unsupervised Garment Pose Space Deformation
Universitat de Barcelona(巴塞罗那大学);Computer Vision Center(计算机视觉中心)
我们提出了一种方法,通过深度学习自动获得姿态空间变形(PSD)的基础上操纵的服装。经典的方法依赖于基于物理的模拟(PBS)来制作衣服的动画。这些都是一般的解决方案,给定足够细粒度的空间和时间离散化,可以实现高度现实的结果。然而,它们在计算上是昂贵的,并且任何场景修改都需要重新模拟。带有PSD的线性混合蒙皮(LBS)提供了PBS的轻量级替代方案,但是,它需要大量的数据来学习适当的PSD。我们建议使用深度学习,制定为一个隐式PBS,在一个受约束的场景中无监督地学习逼真的布姿势空间变形:穿着的人。此外,我们表明,这是可能的训练这些模型在相当的时间量的PBS的几个序列。据我们所知,我们是第一个提出一个神经模拟器的布。虽然该领域中基于深度的方法正在成为一种趋势,但这些都是数据饥渴的模型。此外,作者经常提出复杂的公式来更好地从PBS数据中学习皱纹。监督学习导致物理上不一致的预测,需要使用冲突解决。此外,对PBS数据的依赖限制了这些解决方案的可扩展性,而它们的制定阻碍了其适用性和兼容性。通过提出一种无监督的方法来学习LBS模型(3D动画标准)的PSD,我们克服了这两个缺点。得到的结果显示动画服装和有意义的姿势依赖的褶皱和皱纹的布一致性。我们的解决方案非常高效,可处理多层布料,允许无人监督的服装装饰,并可轻松应用于任何自定义3D头像。
2021-05-21 cs.CV cs.GR
Pose-Guided High-Resolution Appearance Transfer via Progressive Training
Carnegie Mellon University(卡内基梅隆大学);UIUC(伊利诺伊大学厄巴纳-香槟分校);Tencent(腾讯);HKUST(香港科技大学)
我们提出了一种新型的姿势引导外观转移网络,用于以前所未有的图像分辨率(1024 * 1024)将给定的参考外观转移到目标姿势,分别给出参考人和目标人的图像。没有使用3D模型。相反,我们的网络利用密集的局部描述符,包括局部感知损失和局部判别器来细化细节,以从粗到细的方式逐步训练,以产生高分辨率输出,忠实地保留服装纹理和几何形状的复杂外观,同时无缝地产生幻觉,包括那些具有非遮挡的外观。我们的渐进式编码器-解码器架构可以在多个尺度上学习输入图像中固有的参考外观。在Human3.6M数据集、DeepFashion数据集和我们从YouTube收集的数据集上进行的大量实验结果表明,我们的模型可以生成高质量的图像,这些图像可以进一步用于有用的应用,例如人与人之间的服装转移和姿势引导的人类视频生成。
2022-11-25 cs.CV
Image2Garment: Simulation-ready Garment Generation from a Single Image
Stanford University(斯坦福大学);Google(谷歌);Institute of Science Tokyo(东京科学研究所)
本文提出一种框架,通过微调视觉语言模型获取材料属性,再训练轻量预测模型生成物理参数,实现从单张图像生成可模拟的服装。
2026-03-19 cs.CV
WarpDiffusion: Efficient Diffusion Model for High-Fidelity Virtual Try-on
Sun Yat-Sen University(中山大学);ByteDance(字节跳动);UiT The Arctic University of Norway(挪威UiT北极大学);Carnegie Mellon University(卡内基梅隆大学)
针对虚拟试穿边界失真、细节保留不足且扩散方法训练成本高的问题,本文提出WarpDiffusion,融合形变与扩散范式并引入局部纹理注意力及自动掩码,以即插即用方式高效实现高保真试穿。
2023-12-06 cs.CV
Towards Multi-Layered 3D Garments Animation
Nanyang Technological University(南洋理工大学);Shanghai AI Laboratory(上海人工智能实验室)
提出数据驱动方法 LayersNet,通过粒子级交互和两级结构层次建模多层 3D 服装动画,引入 Rotation Equivalent Transformation 处理外力,并构建含 700K 帧的 D-LAYERS 数据集验证其卓越性能。
2023-05-17 cs.CV
ACDG-VTON: Accurate and Contained Diffusion Generation for Virtual Try-On
Revery AI Inc.(Revery AI公司);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出ACDG-VTON方法,通过限制扩散模型的训练范围并使用与目标图像完美对齐的控制图像,有效解决了虚拟试穿中输入服装身份特征难以保持的问题,在准确性和质量上超越先前方法。
2024-03-20 cs.AI cs.CV
Improving Virtual Try-On with Garment-focused Diffusion Models
HiDream.ai Inc.(HiDream.ai公司);University of Science and Technology of China(中国科学技术大学)
针对虚拟试穿任务中扩散模型难同时兼顾人物整体真实感与服装细节保留的问题,提出GarDiff模型,通过服装外观先验改造、服装聚焦适配器及外观损失提升效果,在主流数据集上优于现有方法。
2024-09-12 cs.CV cs.MM
PatternGSL: A Structured Specification Language for Template-Free and Simulation-Ready 3D Garments
The University of Hong Kong(香港大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Carnegie Mellon University(卡内基梅隆大学);LIGHTSPEED Shenzhen(LIGHTSPEED深圳);LIGHTSPEED Los Angeles(LIGHTSPEED洛杉矶)
提出PatternGSL,一种无模板、可学习的结构化服装表示语言,从单张图像直接预测完整缝纫图案,实现可模拟的3D服装重建。
2026-07-03 cs.CV
Adapting Image Super-Resolution State-of-the-arts and Learning Multi-model Ensemble for Video Super-Resolution
Baidu Inc.(百度公司)
最近,图像超分辨率得到了广泛的研究,并通过利用深度卷积神经网络的能力取得了重大进展。然而,由于视频中复杂的时间模式,视频超分辨率(VSR)的进展有限。在本文中,我们研究如何适应国家的最先进的图像超分辨率的视频超分辨率的方法。所提出的自适应方法是直接的。该方法充分利用了相邻帧间的信息,而对原始图像超分辨率的开销可以忽略不计。此外,我们提出了一种基于学习的方法来集成多个超分辨率模型的输出。我们的方法表现出卓越的性能,并在NTIRE2019视频超分辨率挑战赛第一轮中排名第二。
2019-05-07 cs.CV
A Review of Deep Learning Based Image Super-resolution Techniques
School of Computer and Software Engineering, Xihua University(西华大学计算机与软件工程学院)
图像超分辨率技术是从一幅或多幅低分辨率图像中获得高分辨率图像的过程。随着深度学习的发展,基于深度学习方法的图像超分辨率技术应运而生。综述了深度学习方法在图像超分辨率领域应用的研究进展,从几个方面介绍了这类超分辨率工作,并展望了深度学习方法在图像超分辨率领域的进一步应用。通过收集和统计深度学习在图像超分辨率领域应用的相关文献,初步总结了深度学习方法在图像超分辨率领域的应用成果,并报告了基于深度学习方法的图像超分辨率技术的最新进展。
2022-01-22 cs.CV
Deep Depth Super-Resolution : Learning Depth Super-Resolution using Deep Convolutional Neural Network
Shandong University(山东大学)
深度图像的超分辨率是一个极具挑战性的任务,由于信息丢失的子采样。深度卷积神经网络在彩色图像超分辨率中得到了广泛的应用。令人惊讶的是,这种成功并没有与深度超分辨率相匹配。这主要是由于颜色和深度图像之间的固有差异。在本文中,我们弥补了这一差距,并将深度卷积神经网络的成功扩展到深度超分辨率。所提出的深度超分辨率方法以端到端的方式学习从低分辨率深度图像到高分辨率深度图像的映射。此外,为了更好地正则化学习的深度图,我们建议利用深度场统计和深度图像与彩色图像之间的局部相关性。这些先验被集成在能量最小化公式中,其中深度神经网络学习一元项,深度场统计用作全局模型约束,并且颜色-深度相关性被用来加强深度图像中的局部结构。在各种深度超分辨率基准数据集上进行的大量实验表明,我们的方法在一定程度上优于最先进的深度图像超分辨率方法。
2016-07-07 cs.CV
Verification of Very Low-Resolution Faces Using An Identity-Preserving Deep Face Super-Resolution Network
Mitsubishi Electric Research Labs (MERL)(三菱电机研究实验室)
人脸超分辨率方法通常旨在产生视觉上吸引人的结果,而不是为了进一步的人脸识别而保留显著特征。在这项工作中,我们提出了一种深度学习方法,用于在非常低分辨率的人脸图像上进行人脸验证,该方法涉及身份保留人脸超分辨率。我们的框架包括一个超分辨率网络和一个特征提取网络。我们训练了一个基于VGG的深度人脸识别网络(Parkhi et al. 2015),将其用作特征提取器。我们的超分辨率网络经过训练,以最小化高分辨率地面实况图像和超分辨率图像之间的特征距离,其中使用我们预先训练的特征提取网络提取特征。我们在FRGC,Multi-PIE,LFW-a和MegaFace数据集上进行了实验,以评估我们在受控和非受控环境中的方法。实验结果表明,该方法在低分辨率人脸验证中的性能优于传统的超分辨率方法。
2019-03-26 cs.CV
Deep Laplacian Pyramid Network for Text Images Super-Resolution
The University of Danang - University of Science and Technology(岘港大学 - 科技大学)
卷积神经网络最近已经证明了有趣的结果,单图像超分辨率。然而,这些网络被训练来处理自然图像上的超分辨率问题。在本文中,我们将一种用于自然图像超分辨率的深度网络应用于单个文本图像的超分辨率。为了评估网络,我们提出了我们的数据库为单一的文本图像超分辨率。此外,我们提出了结合梯度差分损失(GDL)和L1/L2损失来增强超分辨率图像的边缘。对我们的数据集进行的定量和定性评估表明,添加GDL改善了超分辨率结果。
2018-11-26 cs.CV
Super-NeRF: View-consistent Detail Generation for NeRF super-resolution
Tsinghua University(清华大学)
本文提出 Super-NeRF,通过一致性控制模块和逐视图可优化潜码,仅利用多视图低分辨率输入生成视图一致的高分辨率 NeRF,并在多类数据集上达到最先进性能。
2023-04-26 cs.CV
Super-FAN: Integrated facial landmark localization and super-resolution of real-world low resolution faces in arbitrary poses with GANs
The University of Nottingham(诺丁汉大学)
本文解决了两个具有挑战性的任务:提高低分辨率的面部图像的质量和准确定位面部标志在这样的低分辨率图像。为此,我们做出了以下5个贡献:(a)我们提出了Super-FAN:第一个同时解决这两个任务的端到端系统,即提高面部分辨率并检测面部标志。Super-FAN的新颖之处在于通过热图回归和优化新的热图损失来集成子网络以进行面部对齐,从而将结构信息并入基于GAN的超分辨率算法中。(b)我们通过报告不仅在正面图像(如先前的工作)上,而且在整个面部姿势谱上,不仅在合成低分辨率图像(如先前的工作)上,而且在真实世界图像上,都取得了良好的结果,来说明联合训练这两个网络的好处。(c)我们提出了一种新的基于残差的架构,以改善最先进的人脸超分辨率。(d)量化,我们表现出很大的改善,在国家的最先进的人脸超分辨率和对齐。(e)质量,我们第一次在真实世界的低分辨率图像上显示出良好的效果。
2018-03-27 cs.CV
Some medical applications of example-based super-resolution
基于样本的超分辨率(EBSR)在给定高分辨率图像的训练集的情况下从低分辨率图像重建高分辨率图像。在这篇文章中,我提出了EBSR在医学成像中的一些应用。一个特别有趣的应用,我称之为“x射线体素化”,它近似于x射线图像的CT扫描结果。
2016-04-17 cs.CV
Double Sparse Multi-Frame Image Super Resolution
Waseda University(早稻田大学);University of Tsukuba(筑波大学)
基于稀疏编码的图像超分辨率算法被大量提出,其中一些算法实现了多帧超分辨率。在基于稀疏编码的多帧超分辨率图像处理中,既需要精确的图像配准,又需要稀疏编码。以往基于稀疏编码的多帧超分辨率研究首先采用块匹配进行图像配准,然后通过稀疏编码提高图像分辨率。在本文中,这两个问题是通过优化一个单一的目标函数。数值实验结果表明了该方法的有效性。
2015-12-02 cs.CV
Learning from a Handful Volumes: MRI Resolution Enhancement with Volumetric Super-Resolution Forests
e.solutions GmbH(e.solutions有限公司)
磁共振成像(MRI)能够对解剖结构进行三维成像。然而,具有高空间分辨率的MR体积的采集导致长扫描时间。为此,我们提出体积超分辨率森林(VSRF),以提高MRI分辨率回顾。我们的方法通过采用随机森林回归来学习低分辨率和高分辨率体积图像块之间的局部线性映射。我们自定义的功能适合体积MRI训练的随机森林,并提出了一个稳健的回归中位数树集成。VSRF在不同MRI数据集的模型训练和推理的图像质量和效率方面优于最先进的基于示例的超分辨率。它也优于无监督的方法,只需少量甚至单个卷来组装训练数据。
2018-02-15 cs.CV
Optical Flow for Video Super-Resolution: A Survey
Wuhan University(武汉大学);Hubei University of Economics(湖北经济学院);Central China Normal University(华中师范大学);Arizona State University(亚利桑那州立大学);State University of New York at Buffalo(纽约州立大学布法罗分校)
视频超分辨率是当前计算机视觉中最活跃的研究课题之一,因为它在许多视觉应用中起着重要的作用。通常,视频超分辨率包含重要分量,即,运动补偿,其用于估计连续视频帧之间的位移以进行时间对准。光流可以在连续帧之间提供密集的亚像素运动,是用于该任务的最常见的方法之一。为了更好地理解光流在视频超分辨率中的作用,本文首次对这一问题进行了全面的综述。本研究涵盖以下主要主题:超分辨率的功能(即,为什么我们需要超分辨率);视频超分辨率的概念(即,什么是视频超分辨率);评估度量的描述(即,(视频)超分辨率如何执行);引入基于光流的视频超分辨率;研究使用光流来捕获视频超分辨率的时间依赖性。重点对基于深度学习的视频超分辨率方法进行了深入研究,并对几种典型算法进行了分析和比较。此外,我们强调了一些有前途的研究方向和开放的问题,应进一步解决。
2022-03-20 cs.CV
Super-resolution Using Constrained Deep Texture Synthesis
Brown University(布朗大学);Georgia Institute of Technology(佐治亚理工学院)
在单幅图像超分辨率中消除高频图像细节是一项具有挑战性的任务。传统的超分辨率方法由于低分辨率和高分辨率块之间的映射的模糊性而倾向于产生过平滑的输出图像。我们基于最近在基于深度学习的纹理合成方面取得的成功,并表明这种丰富的特征空间可以促进高频图像细节的成功转移和合成,以提高各种自然纹理和图像上超分辨率结果的视觉质量。
2017-01-26 cs.CV
Evaluating Robustness of Deep Image Super-Resolution against Adversarial Attacks
Yonsei University(延世大学);University of California, Los Angeles(加州大学洛杉矶分校)
单图像超分辨率的目标是生成低分辨率图像的高分辨率版本,这是许多计算机视觉应用中的重要组成部分。本文研究了基于深度学习的超分辨率方法对对抗攻击的鲁棒性,这种攻击可以显著恶化超分辨率图像,而不会在受攻击的低分辨率图像中产生明显的失真。结果表明,国家的最先进的深超分辨率的方法是非常容易受到对抗攻击。从理论和实验上分析了不同方法的不同鲁棒性水平。我们还分析了攻击的可转移性,以及针对性攻击和通用攻击的可行性。
2019-10-02 cs.CV
Neural Clothing Tryer: Customized Virtual Try-On via Semantic Enhancement and Controlling Diffusion Model
Guangdong University of Technology, Guangzhou 510006, China;Guangdong Provincial Key Laboratory of Intellectual Property \& Big Data, Guangzhou 510006, China;South China University of Technology, Guangzhou 510006, China;Genstoraige Technology (Beijing) Co., Ltd, Beijing 100000, China
本文提出NCT框架,通过语义增强和控制扩散模型实现定制虚拟试穿,提升虚拟试穿体验的灵活性和参与度。
2026-01-30 cs.CV
Semi-Supervised Super-Resolution
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
超分辨率是一种通过提高低分辨率照片的合理分辨率来提高其质量的技术。计算机视觉社区已经广泛探索了超分辨率领域。然而,以前的超分辨率方法需要大量的数据进行训练,这在低分辨率、高分辨率对很少可用的领域中变得有问题。其中一个领域是统计降尺度,即越来越多地使用超分辨率从低分辨率数据中获取高分辨率气候信息。获取高分辨率的气候数据是极其昂贵和具有挑战性的。为了降低生成高分辨率气候信息的成本,超分辨率算法应该能够用有限数量的低分辨率、高分辨率对进行训练。本文试图通过引入一种半监督的方法来解决上述问题,以执行超分辨率,可以生成清晰,高分辨率的图像,只需500对样本。所提出的半监督技术可以用作任何基于监督GAN的超分辨率方法的即插即用模块,以提高其性能。我们定量和定性地分析了该模型的性能,并将其与完全监督的方法以及其他无监督技术进行了比较。综合评价表明,我们的方法优于其他方法在不同的指标。我们还提供了我们的方法在统计降尺度,以获得高分辨率的气候图像的适用性。
2022-04-19 cs.CV eess.IV
The devil is in the details: Enhancing Video Virtual Try-On via Keyframe-Driven Details Injection
Tencent Youtu Lab(腾讯优图实验室);TU Delft(代尔夫特理工大学);Fudan University(复旦大学);Western University(西部大学)
本文提出KeyTailor框架和ViT-HD数据集,通过关键帧驱动的细节注入策略提升视频虚拟试衣的服装真实性和背景完整性,实验表明其在动态和静态场景中表现更优。
2026-04-29 cs.CV
VolHuMe: a High-Resolution Large Scale Dataset of Volumetric Human Meshes
University of Trento(特伦托大学);CNIT;Tampere University(塔尔基大学)
提出VolHuMe数据集,包含104名受试者的高质量4D人体扫描,提供SMPL-X、高分辨率网格等多模态真值,用于3D/4D人体重建基准测试。
2026-06-23 cs.CV cs.GR
High-Resolution Be Aware! Improving the Self-Supervised Real-World Super-Resolution
National University of Singapore(新加坡国立大学)
本文针对真实世界自监督超分辨率中高分辨率知识缺失和退化建模不足的问题,提出基于结果质量的退化控制器和特征对齐正则化器,通过微调现成SR模型实现自然且感知性能领先的超分辨率结果。
2024-11-25 cs.CV eess.IV
Real-World Single Image Super-Resolution Under Rainy Condition
Old Dominion University(老道明大学)
图像超分辨率是计算机视觉领域的一个重要研究方向,在监控、医学成像等领域有着广泛的应用。在恶劣天气条件下,单图像超分辨率的提高还有很大的空间。本文提出了一种在雨天条件下实现真实世界单幅图像超分辨率的新算法。我们提出的方法可以减轻图像超分辨率过程中雨天条件的影响。实验结果表明,该算法可以实现图像的超分辨率,降低了降雨对图像的影响。
2022-06-16 cs.CV eess.IV
STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised Learning
MIT(麻省理工学院);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
在常规MR扫描时间范围内,胎儿运动是不可预测的且快速的。因此,旨在捕获胎儿运动和胎儿功能动态的动态胎儿MRI限于图像质量和分辨率折衷的快速成像技术。用于动态胎儿MRI的超分辨率仍然是一个挑战,特别是当用于过采样的图像切片的多方向堆叠不可用时,并且期望用于记录胎儿或胎盘的动态的高时间分辨率。此外,胎儿运动使得难以获取用于监督学习方法的高分辨率图像。为了解决这个问题,在这项工作中,我们提出了应力(时空分辨率增强与模拟扫描),一个自我监督的超分辨率框架动态胎儿MRI与交错切片采集。我们提出的方法模拟了交错切片采集沿高分辨率轴上的原始采集数据,以生成对低分辨率和高分辨率图像。然后,它通过利用MR时间序列中的空间和时间相关性来训练超分辨率网络,用于提高原始数据的分辨率。对模拟和子宫内数据的评估表明,我们提出的方法优于其他自监督超分辨率方法,提高了图像质量,这有利于其他下游任务和评估。
2021-06-30 cs.CV eess.IV
Mobile-VTON: High-Fidelity On-Device Virtual Try-On
本文提出Mobile-VTON,一种基于设备端的高保真虚拟试衣框架,通过模块化架构和隐私保护技术,在无需云端支持的情况下实现高质量试衣效果。
2026-03-13 cs.CV
Improved Super Resolution of MR Images Using CNNs and Vision Transformers
Inception Institute of AI(人工智能初创研究所)
使用卷积神经网络(CNN)的现有技术磁共振(MR)图像超分辨率方法(ISR)由于CNN的有限空间覆盖而利用有限的上下文信息。Vision Transformers(ViT)可以更好地学习全局背景,有助于生成高质量的HR图像。我们将CNN的局部信息和ViTs的全局信息相结合,以实现图像超分辨率,并输出比最先进方法产生的图像质量更高的超分辨率图像。我们包括额外的限制,通过多个新的损失函数,保留结构和纹理信息,从低分辨率到高分辨率的图像。
2022-07-24 cs.CV eess.IV
PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping
Guangdong Institute of Intelligence Science and Technology, China(广东省智能科学与技术研究院);Macau University of Science and Technology, Macau SAR, China(澳门科技大学)
PhysDrape通过显式力和碰撞约束,实现物理真实的服装褶皱学习,提升仿真精度和鲁棒性。
2026-03-08 cs.CV
Lossless Image Compression through Super-Resolution
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
介绍了一种简单有效的无损图像压缩算法。我们将图像的低分辨率版本存储为原始像素,然后进行几次无损超分辨率迭代。对于无损超分辨率,我们预测的高分辨率图像的概率,在低分辨率输入的条件下,并使用熵编码压缩这个超分辨率算子。基于超分辨率的压缩(SReC)能够在大型数据集上实现最先进的压缩率和实际运行时间。代码可在https://github.com/caoscott/SReC在线获得。
2020-04-06 cs.CV cs.LG eess.IV
PFDM: Parser-Free Virtual Try-on via Diffusion Model
Wuhan AI Research(武汉人工智能研究院);University of Chinese Academy of Sciences(中国科学院大学)
针对虚拟试穿依赖分割掩码的瓶颈,提出基于扩散模型的无解析器方法PFDM,通过隐式变形和服装融合注意力机制,在扩展数据集上训练,实现高保真试穿并超越现有模型。
2024-02-05 cs.CV cs.LG
TripVVT: A Large-Scale Triplet Dataset and a Coarse-Mask Baseline for In-the-Wild Video Virtual Try-On
Nanjing University, China(南京大学);JIUTIAN Research, CMCC, China(JIUTIAN研究院,CMCC,中国);Jilin University, China(吉林大学);ByteDance Inc., China(字节跳动公司)
本文提出TripVVT-10K数据集和TripVVT框架,通过改进的遮罩先验提升视频虚拟试穿的鲁棒性和质量,同时建立评估基准以验证其在复杂场景中的泛化能力。
2026-04-30 cs.CV
Dress&Dance: Dress up and Dance as You Like It - Technical Preview
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);SpreeAI
Dress&Dance是一个基于视频扩散和CondNet多模态条件网络的虚拟试穿框架,仅需单张用户图像即可生成高分辨率试穿视频,支持多种服装并优于现有方案。
2025-08-28 cs.CV cs.LG
RAGDiffusion++: From Macro-Retrieval to Micro-Fidelity Alignment for Garment Generation
Shanghai Jiao Tong University(上海交通大学);Alibaba Group(阿里巴巴集团)
该研究针对服装生成的高频轨迹坍塌问题,提出RAGDiffusion++模型,通过AR-GRPO策略结合STGarment-Plus数据集、FLUX架构与Garment-RM奖励模型,实现服装图像的宏观结构准确与微观纹理保真。
2026-09-01 cs.AI cs.CV
UniVVT: A Unified End-to-End Framework for High-Fidelity Video Virtual Try-on
UniVVT是一种统一端到端视频虚拟试穿框架,以多模态大语言模型为核心,采用三阶段渐进训练策略,在多基准上实现了优于主流方法的高保真试穿效果。
2026-08-28 cs.AI cs.CV
Pursuing Temporal-Consistent Video Virtual Try-On via Dynamic Pose Interaction
HiDream.ai Inc.(HiDream.ai公司);Northwest Polytechnical University(西北工业大学)
提出动态姿态交互扩散模型(DPIDM),通过骨架适配器和层次化注意力建模帧内及跨帧的人-服装姿态交互,并用时序正则化损失增强一致性,在多个数据集上显著优于现有方法。
2025-05-22 cs.CV cs.MM
Generating High-Resolution Fashion Model Images Wearing Custom Outfits
Zalando Research(扎兰多研究院)
想象一套衣服是购买衣服的重要组成部分。由于组合时尚物品的组合方面,可用的图像限于预先确定的一组服装。在本文中,我们扩大了这些可视化生成的高分辨率图像的时装模特穿着定制服装下的输入身体姿势。我们表明,我们的方法不仅可以转移的风格和姿态的一个生成的服装到另一个,但也创造了逼真的人体和服装的图像。
2019-08-23 cs.CV cs.LG eess.IV