Durchbrüche in der Computer Vision für die virtuelle Anpassung
Der virtuelle Anprobe-Workflow von Malette Art basiert auf der diffusionsbasierten TryOnDiffusion-Architektur, die Algorithmen zur Schätzung der menschlichen Pose und zur Simulation der Stoffphysik kombiniert. Die Implementierung besteht aus einem vierschichtigen Prozess: Extraktion von 18 wichtigen Körperknoten aus vom Nutzer hochgeladenen Fotos durch OpenPose; semantische Segmentierung von Kleidung durch DeeplabV3+; Simulation von Drapierungseffekten verschiedener Stoffe durch eine Physik-Engine; und schließlich Synthese von natürlichen Falten und Lichtschatten durch ein latentes Diffusionsmodell. Der Prozess dauert nur 45 Sekunden, um ein Bild mit einer Auflösung von 1024×768 mit 8 GB Grafikspeicher zu erzeugen.
Tests von Bekleidungshändlern haben gezeigt, dass die Technologie die Zahl der Rücksendungen um 33% reduziert und die Verweildauer auf der Seite um das 2,4-fache erhöht hat. Das System unterstützt das gleichzeitige Anprobieren mehrerer Kleidungskombinationen und kann auf intelligente Weise die beste passende Lösung empfehlen. Derzeit haben mehr als 1700 Geschäfte Zugriff auf diese Funktion und erstellen durchschnittlich 150.000 Anprobebilder pro Monat.
Diese Antwort stammt aus dem ArtikelMalette Art: eine KI-basierte Authoring-Plattform für Workflow-generierte Bilder und VideosDie
