Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Anti-occlusion Light-Field Optical Flow Estimation Using Light-Field Super-Pixels Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Let AI Clothe You: Diversified Fashion Generation

verfasst von : Rajdeep H. Banerjee, Anoop Rajagopal, Nilpa Jha, Arun Patro, Aruna Rajan

Erschienen in: Computer Vision – ACCV 2018 Workshops

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we demonstrate automation of fashion assortment generation that appeals widely to consumer tastes given context in terms of attributes. We show how we trained generative adversarial networks to automatically generate an assortment given a fashion category (such as dresses and tops etc.) and its context (neck type, shape, color etc.), and describe the practical challenges we faced in terms of increasing assortment diversity. We explore different GAN architectures in context based fashion generation. We show that by providing context better quality images can be generated. Examples of taxonomy of design given a fashion article and finally automate generation of new designs that span the created taxonomy is shown. We also show a designer-in-loop process of taking a generated image to production level design templates (tech-packs). Here the designers bring their own creativity by adding elements, suggestive from the generated image, to accentuate the overall aesthetics of the final design.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Human Action Recognition via Body Part Region Segmented Dense Trajectories
Nächstes Kapitel Word-Conditioned Image Style Transfer
Literatur
1.
2.
Date, P., Ganesan, A., Oates, T.: Fashioning with networks: neural style transfer to design clothes. Machine Learning meets fashion, KDD (2017)
3.
Goodfellow, I., et al.: Generative adversarial nets. In: Advances in Neural Information Processing Systems, pp. 2672–2680 (2014)
4.
Kang, W.C., Fang, C., Wang, Z., McAuley, J.: Visually-aware fashion recommendation and design with generative image models. In: ICDM (2017)
5.
Odena, A., Olah, C., Shlens, J.: Conditional image synthesis with auxiliary classifier GANs. In: Proceedings of the 34th International Conference on Machine Learning, vol. 70, pp. 2642–2651 (2017)
6.
Osone, H., Kato, N., Sato, D., Muramatsu, N., Ochiai, Y.: Crowdsourcing clothes design directed by adversarial neural networks. In: 2017 Workshop Machine Learning for Creativity and Design. NIPS (2017)
7.
Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:​1511.​06434 (2015)
8.
Reed, S., Akata, Z., Yan, X., Logeswaran, L., Schiele, B., Lee, H.: Generative adversarial text to image synthesis. arXiv preprint arXiv:​1605.​05396 (2016)
9.
Reed, S.E., Akata, Z., Mohan, S., Tenka, S., Schiele, B., Lee, H.: Learning what and where to draw. In: Advances in Neural Information Processing Systems, pp. 217–225 (2016)
10.
11.
Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., Chen, X.: Improved techniques for training GANs. In: Advances in Neural Information Processing Systems, pp. 2234–2242 (2016)
12.
13.
Wang, Z., Bovik, A.C., Sheikh, H.R., Simoncelli, E.P.: Image quality assessment: from error visibility to structural similarity. IEEE Trans. Image Process. 13(4), 600–612 (2004)CrossRef
14.
Xu, T., et al.: AttnGAN: fine-grained text to image generation with attentional generative adversarial networks. In: ICCV (2017)
15.
Yildirim, G., Seward, C., Bergmann, U.: Disentangling multiple conditional inputs in GANs. arXiv preprint arXiv:​1806.​07819 (2018)
16.
Zhang, H., et al.: StackGAN: text to photo-realistic image synthesis with stacked generative adversarial networks. arXiv preprint (2017)
17.
Zhang, H., et al.: StackGAN++: realistic image synthesis with stacked generative adversarial networks. arXiv preprint arXiv:​1710.​10916 (2017)
18.
Zhu, S., Fidler, S., Urtasun, R., Lin, D., Loy, C.C.: Be your own prada: fashion synthesis with structural coherence. arXiv preprint arXiv:​1710.​07346 (2017)
Metadaten
Titel
Let AI Clothe You: Diversified Fashion Generation
verfasst von
Rajdeep H. Banerjee
Anoop Rajagopal
Nilpa Jha
Arun Patro
Aruna Rajan
Copyright-Jahr
2019
Buch
Computer Vision – ACCV 2018 Workshops

Print ISBN: 978-3-030-21073-1

Electronic ISBN: 978-3-030-21074-8

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-21074-8_7

Premium Partner

    Bildnachweise