ICCV 2019

作者丨文永明

学校丨中山大学硕士生

研究方向丨Object Manipulation、机器人视觉、GAN

笔者最近发现一篇发表在 ICCV 2019 挺有意思的论文，是来自中山大学 Fashion 组、邢波 Petuum 公司、湾区字节跳动的工作。中山大学 Fashion 团队是由梁小丹老师和董浩业同学组织。近闻，梁小丹老师获得 2019 年吴文俊人工智能优秀青年奖、2019 年达摩院青橙奖最年轻获得者（奖金 100 万，仅 28 岁）。

他们分析了现存的“AI 换衣”方法都是只能将新衣服应用到固定的人体姿势上，不同姿势有较大的差异，而且无法保持一致性，常常丢失纹理特，因此效果都也不太好。

因此，他们首次提出一种针对不同人体姿势的换衣系统，也就是将人物图像，目标衣服图像，目标姿势作为输入，经过他们提出的多姿势引导的视觉试穿网络（MG-VTON）生成试穿效果，而且生成效果比目前的 state-of-the-art 方法的表现都要好。

笔者觉得还蛮有意思挺好玩的，强烈推荐你们试一试这篇论文的“AI 试穿“效果，他们的 demo 链接：http://m.fashion-ai.cn/，也可以扫描二维码：

MG-VTON 通过操作衣服和姿势来学习合成视觉上的试穿效果，受 coarse-to-fine 的思想的启发，论文采用了一种轮廓由粗到细的策略，把主任务分为了三个子任务：条件解析学习，Wrap-GAN，细化渲染，如下图 Fig 1 所示 MG-VTON 的整体框架：

▲ Fig 1. MG-VTON的训练流程示意图

MG-VTON 就此可以分为三个阶段：

阶段一：首先，将参考人物图像分解成三个二进制掩码，分别是头发掩码、脸部掩码、身体形状，将三个掩码和目标衣服的图像以及目标姿势作为条件输入训练条件解析网络，从而得到预测的人物解析图。

阶段二：通过扭曲生成对抗网络 Warp-GAN 将扭曲后的衣服图像、去除了衣服的参考人物图像、目标姿势、人物解析图训练生成粗粒度的试穿结果。

阶段三：以扭曲后的衣服、目标姿势、粗粒度合成结果为条件输入，通过细化渲染网络得到细化后的图像结果。

条件解析网络

条件解析网络是基于条件生成对抗网络（CGAN）的设计的，条件解析网络与 CGAN 类似，其中输入条件为衣服图像 C、目标姿势 P、掩码 M，其中掩码 M 有三部分组成：头发掩码、脸部掩码、身体形状，训练生成人物解析图。

▲ Fig 2. 条件解析网络流程示意图

条件解析网络损失函数也与 CGAN 类似，并且加入 L1 损失进一步平滑生成的结果，为逐像素 softmax loss。最终最小化最大化损失为：

Warp-GAN

▲ Fig 3. Warp-GAN流程示意图

Warp-GAN 除了常见的对抗损失和 L1 正则化损失，还引入了感知损失用于衡量高维特征的距离，使得生成图片质量更高，看起来更逼真，表示为：

通过预训练好的 ϕ 将第 i 层特征映射到共享的高维特征空间去， 将这样提取出的特征，作为目标函数的一部分，通过比较待生成的图片的特征值与目标图片的特征值，使得待生成的图片与目标图片在语义上更加相似（相对于像素级别的损失函数）。同时，参考了 pixp2pixHD [1] 引入了特征损失：

Warp-GAN 总的损失函数为：

细化渲染网络与几何匹配模块

▲ Fig 4. 细化渲染网络流程示意图

将 Warp-GAN 得到的粗糙的试穿效果和扭曲后的衣服图像以及目标姿势 P 输入到细化渲染网络里，通过细化渲染生成器学习针对多姿势的合成掩模，合成的细化渲染结果可以就变成了：

通过局部的增强的细化渲染能得到更好的柔性物体的纹理特征，细化渲染网络总的损失函数为：

而几何匹配模块就是学习如何把衣服扭曲的一个模块，学习映射的有着参数的 θ 的函数 T，几何匹配模块损失函数最小化：

其中和为原来的衣服掩码和生成扭曲后的衣服掩码。

数据集

由于现成的针对 AI 试穿的数据集都是固定一个姿势的，例如 VITON [2] 和 CP-VTON [3]。因此，本文作者构建了一个名为 MPV 的数据集，从互联网上挑选了 35,687 张人物图像和 13,524 张衣服图像，每张人物图像都有着不同的姿势，分辨率为 256×192，提取 62,780 个穿着同一件衣服的同一个人的不同姿势的三元组。还是使用了数据集 DeepFashion [4]，里面是有着摆着不同姿势的同一个人，但是没有衣服图像。

评价标准

1. 使用了亚马逊劳务众包平台 AMT 来判断试穿的视觉效果的好坏。

2. 使用结构相似性 SSIM 评价指标来评价合成图片和真实图片的相似性，是一种全参考的图像质量评价指标。

3. 使用 IS 指标来衡量生成图片的生成质量和多样性。

结果分析

▲ Fig 3. MG-VTON与VITON、CP-VTON的对比

▲ Tab 1. 定量结果

在 MPV 和 DeepFashion 数据集中，SSIM 指标中 MG-VTON (w/o Render) 最高分，IS 指标中 MG-VTON (w/o Mask) 最好，从 Fig 3 来看，虽然 MG-VTON 比 MG-VTON (w/o Render) 以及 MG-VTON (w/o Mask) 的定量指标稍差一点，但是 MG-VTON 视觉效果最好。

▲ Fig 4. MPV上训练，DeepFashion上测试

在 MPV 上训练，在 DeepFashion 上测试，第一行是想要试穿的衣服和姿势估计，第一列是对应的人物图像，生成试穿效果都挺好的，能生成出不同动作姿势的试穿效果，不得不说细节纹理也处理的很好，因此应用价值高，可以应用得更广泛。

▲ Fig 5. 消融实验

消融实验里表明细化渲染网络中的掩码损失，感知损失，姿势状态，在 Warp-GAN 模块都起着至关重要的作用。

▲ Fig 6. 不同的人体解析质量得到的不同试穿效果

▲ Fig 7. 不同的人体解析质量得到的不同试穿效果

可以看出人体解析得越好，生成的试穿效果越好，证明了人体解析学习在 MG-VTON 中的作用。

这篇论文的创新点在于首次研究了多姿势的视觉试穿系统，一改以往只能固定动作姿势的试穿模式，做了大量定量和定性实验证明了 MG-VTON 的系统方法由于目前的其他的先进的视觉试穿方法，论文结构清晰明了，易于理解，并且参考了大量可借鉴的先进性改进，内容充实。

针对不同姿势的视觉试穿系统，所以实际上他们的实际应用价值更高，笔者试了下这篇论文他们提供的 demo，还蛮好玩的，生成的试穿效果也很好，大家也可以试一下笔者开头提供的 demo 链接地址和二维码玩一下。中大的 Fashion 组同时也做了 AI 会议 DDL 小程序也可以试一下，对 AI 会议的 DDL 作了系统的整理工作，笔者觉得他们的工具还挺方便有用的，二维码：