虚拟试穿app_trace back

一、引言

首先测试算法来自：CVPR 2021 paper 'Parser-Free Virtual Try-on via Distilling Appearance Flows'作者：Yuying Ge等，论文地址。
虚拟试穿应用市场要求同步（实时性），保真，硬件要求不要太高等等。总之，物美价廉高大上（设计美，操作易，反应快，效果好，价格优，高科技光环等）。前面有朋友就嫌弃上一个算法（虚拟试穿–测试上衣代码详解，包括输入预处理中的人物解析和关键点等）的输入预处理太复杂，希望指定模特和服装就可以看到试穿效果。今天这个算法就基本满足了这个要求，操作易。不过大家应该都知道一句话，“人前显贵，幕后受罪”，或者励志点，“台上一分钟，台下十年功”。免层层预处理的方式约两种，将预处理封装在模型前头，这样做实时性可能受损；第二就是训练的时候有多个中间环节，将可能情况训练到模型当中。如果把设计训练过程比如幕后，训练后的模型应用属于台上得话。免人体解析的虚拟试穿算法就属于“台上一分钟，台下十年功”的范。因为，训练过程设计非常全面，也是相当复杂。所以，应用模型就非常简单。

二、新虚拟试穿算法测试

1.测试效果

采用try-on的测试集和，随机对应数据做测试，得到的效果展示如下：

2. 模型

1. 模型调用

   # 初始化
   warp_model = AFWM(opt, 3)
   gen_model = ResUnetGenerator(7, 4, 5, ngf=64, norm_layer=nn.BatchNorm2d)
   # 加载训练参数
   load_checkpoint(warp_model, opt.warp_checkpoint)
   load_checkpoint(gen_model, opt.gen_checkpoint)
   
   # 应用测试
   # 模型输入：real_image模特，clothes衣服
   flow_out = warp_model(real_image.cuda(), clothes.cuda())
   warped_cloth, last_flow, = flow_out
   warped_edge = F.grid_sample(edge.cuda(),
                               last_flow.permute(0, 2, 3, 1),
                               mode='bilinear',
                               padding_mode='zeros')
   gen_inputs = torch.cat([real_image.cuda(), warped_cloth, warped_edge], 1)
   gen_outputs = gen_model(gen_inputs)  # torch.Size([1, 4, 256, 192])
   
   # 结果处理
   p_rendered, m_composite = torch.split(gen_outputs, [3, 1], 1)  # 切成两块
   p_rendered = torch.tanh(p_rendered)  # 呈现[1, 3, 256, 192]
   m_composite = torch.sigmoid(m_composite)  # 合成的，[1, 1, 256, 192]
   m_composite = m_composite * warped_edge  # [1, 1, 256, 192]，[1, 1, 256, 192] 轮廓卷曲
   
   # 虚拟试穿结果
   p_tryon = warped_cloth * m_composite + p_rendered * (1 - m_composite)  # 最后穿上的模样
   

2. 测试流程
   1）按照代码注释，测试流程：
   
   2）训练设计流程那是相当复杂，而且前期训练数据里需要用到人体解析和关键点相关数据：
   

三、虚拟试穿算法测试分析

1.主要特点

1. 算法训练的设计复杂，应用简单。
   虽然设计训练模型的过程复杂，但应用方面做了很大的简化，缩短了运行时间，完成一次平均时间0.074s。

   
   也就是说，1个人换装和2个、4个、8个同时换装的时间都很短（只要你的硬件GPU装得下）。是不是可期望的实时性效果就可以得到保证了啦。

2. 算法还原人体肤色和形态效率高。
   例如：测试集测试结果图的肩部（第三幅为试穿效果）显示，可以很好的还原（虚构）肢体和肤色，几乎毫无违和感。这依赖于前期的训练。
   

3. 算法的模型参数量不大,两个模型约280M，我的GPU:GeForce RTX 2080 Ti 11G显存，测试可运行batch_size小于16。
   

2.还存在的不足

1. 观察测试视频，会发现，算法在测试集上表现不好。不排除是训练的模型不稳定原因。
   作者展示的结果秒杀战场，无论是带解析的算法，还是不带解析的算法。
   
   但测试数据集上的测试结果经常出现漏洞的情况：
   
   
   这个给人的感觉是将衣服脱了，在蒙上去，所以容易缺边少角，顾不全。

2. 还发现同try-on相比，或者原图相比，算法没有学到模特服装的纹理特征，或者特征过少，而显得扁平化。扭曲和纹理变化没有学到。
   

3.总结

免解析算法使虚拟试穿的输入简化，应用效率提高，还原肢体结构和肤色有重要意义。改进算法的劣势还需从训练入手，和优化模型开始。
测试代码：https://gitee.com/rpr/pf-afn_test.git
测试数据：测试用数据集可以参考前面try-on with parsing的blog，文章一开始就介绍了资源.
测试用模型文件：下载

四、 参考文献

分享学习，共同进步。感谢本算法作者们。
If the code is helpful to your work, please cite:

@article{ge2021parser,
  title={Parser-Free Virtual Try-on via Distilling Appearance Flows},
  author={Ge, Yuying and Song, Yibing and Zhang, Ruimao and Ge, Chongjian and Liu, Wei and Luo, Ping},
  journal={arXiv preprint arXiv:2103.04559},
  year={2021}
}

@inproceedings{han2019clothflow,
  title={Clothflow: A flow-based model for clothed person generation},
  author={Han, Xintong and Hu, Xiaojun and Huang, Weilin and Scott, Matthew R},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  pages={10471--10480},
  year={2019}
}

今天的文章虚拟试穿app_trace back分享到此就结束了，感谢您的阅读。