Est-il souvent frustrant de voir la différence entre la présentation d’un vendeur et celle d’un acheteur lors d’un achat en ligne ? L'équipe d'apprentissage automatique de l'Université de Bielefeld en Allemagne a développé un outil d'IA appelé TryOffDiff pour résoudre ce problème. Cette IA peut supprimer des personnes des photos, ne laissant que les vêtements eux-mêmes, et génère une image d'affichage du produit de haute qualité, comblant efficacement le fossé entre l'exposition de l'acheteur et celle du vendeur et améliorant l'expérience d'achat.
Lorsque vous faites des achats en ligne, avez-vous déjà été blessé par l'énorme différence entre le défilé de l'acheteur et celui du vendeur ? Il s'agit évidemment du même vêtement, mais lorsqu'il est porté sur un mannequin, il a l'air si à la mode, comment se fait-il qu'il soit « horrible » quand on le porte sur vous ? Ne vous inquiétez pas ! Comparaison allemande L'équipe d'apprentissage automatique de l'Université de Lefeld a développé une technologie d'IA noire appelée TryOffDiff, qui peut « supprimer » les personnes sur la photo, ne laissant que les vêtements eux-mêmes, et générez une image d'affichage de produit standard !
Cette technologie utilise une puissante technologie d'intelligence artificielle de « modèle de diffusion » pour identifier la forme, la couleur, la texture et d'autres informations des vêtements à partir d'une photo, et « restaurer » ces informations dans une image d'affichage de produit haute définition. Les images obtenues sont non seulement claires et réalistes dans leurs détails, mais suppriment également automatiquement l'arrière-plan, tout comme le travail d'un photographe professionnel !
Comment fonctionne TryOffDiff ? En termes simples, c'est comme un « tailleur » qualifié. Tout d’abord, il utilise un encodeur d’image appelé SigLIP pour extraire des informations caractéristiques des vêtements des photos, notamment la couleur, la texture, le motif, etc., tout comme un tailleur observant attentivement le tissu. Il « transmet » ensuite ces informations au modèle de génération d'images à diffusion stable. Stable Diffusion est comme une « machine à coudre » magique qui peut générer une variété d’images en fonction des informations saisies. Enfin, Stable Diffusion générera une image d'affichage standard du produit basée sur les informations extraites des caractéristiques des vêtements et « portera » les vêtements sur un modèle virtuel, tout comme un tailleur confectionnant un vêtement parfait.
Pour tester l'effet de TryOffDiff, les chercheurs ont utilisé un ensemble de données appelé VITON-HD pour la formation et les tests. Les résultats expérimentaux montrent que TryOffDiff fonctionne très bien. Les images de vêtements qu'il génère sont non seulement claires dans les détails, mais aussi très réalistes, même comparables au travail des photographes professionnels ! Par rapport à la technologie d'essayage virtuelle existante, TryOffDiff fonctionne bien en conservant les détails des vêtements. Encore mieux, notamment au niveau des motifs et des logos.
Les perspectives d'application de cette technologie sont très larges. Elle peut non seulement aider les consommateurs à mieux comprendre les informations sur les produits, mais également aider les plateformes de commerce électronique à améliorer les effets d'affichage des produits et à réduire les taux de retour. À l'avenir, lorsque vous achèterez des vêtements en ligne, il vous suffira peut-être de télécharger une photo de vous-même pour voir à quoi vous ressemblez dans différents vêtements. Vous n'aurez plus à vous soucier du fait que « les marchandises sont fausses » entre l'exposition de l'acheteur et celle du vendeur. montrer!
Expérience en ligne : https://huggingface.co/spaces/rizavelioglu/tryoffdiff
Adresse du projet : https://rizavelioglu.github.io/tryoffdiff/
L'émergence de TryOffDiff offre sans aucun doute une nouvelle façon de résoudre la différence entre « exposition du vendeur » et « exposition de l'acheteur » dans les achats en ligne. Cette technologie améliorera considérablement l'expérience d'achat en ligne et apportera plus de commodité aux consommateurs et aux plateformes de commerce électronique. À l’avenir, nous pourrons peut-être nous attendre à une expérience d’essayage virtuelle plus parfaite.