链接地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Natalia_Neverova_Two_Stream__ECCV_2018_paper.pdf
摘要
在这个工作中，我们融入建议来自基于表面模型使用神经统一：我们提出一个结合基于表面姿态评估和深度生成模型，允许我们去实现高精度的姿态转换，例如，统一一张新图的一个姿态提供。我们使用一个稠密姿态评估系统，图像素来自两张图到一个常见的基于表面协调系统，使这两张图互补。我们标记和重定义原图像强度在表面协调系统，将其变换到目标姿态。这些预测可以融合这些使用一个卷积预测机制通过一个神经合成模块，允许驯良整个流程加入到端到端，优化一个结合的建议和感知损失。我们展示稠密姿态评估是一个基本上比基准更具有力量的条件，或者基于掩码选择，表明系统提高超过先前生成在DeepFashion以及MVC数据集。
姿态迁移流程
给定输入图像、输入图像的pose、目标图的pose
监控信号对于姿态转化在变换数据流
结果图
生成质量对比
不同损失声明对比
了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：
下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料
