VTONQA: A Multi-Dimensional Quality Assessment Dataset for Virtual Try-on
यह शोधपत्र VTONQA को प्रस्तुत करता है, जो वर्चुअल ट्राई-ऑन के लिए पहला बहु-आयामी गुणवत्ता मूल्यांकन डेटासेट है जिसमें तीन आयामों में 8,132 चित्र और 24,396 मानव रेटिंग शामिल हैं, जिसका उपयोग मौजूदा VTON मॉडल और छवि गुणवत्ता मेट्रिक्स के बेंचमार्क के रूप में उनकी सीमाओं को उजागर करने और भविष्य के सुधारों के मार्गदर्शन के लिए किया जाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
ऑनलाइन शॉपिंग की हलचल भरी दुनिया में, एक परिचित निराशा बनी हुई है: स्क्रीन पर दिखने वाले कपड़े और वास्तविक व्यक्ति पर वह कैसा दिखेगा, इसके बीच का अंतर। इस अंतर को पाटने के लिए, तकनीक ने वर्चुअल ट्राई-ऑन सिस्टम विकसित किए हैं, जो डिजिटल फिटिंग रूम के रूप में कार्य करते हैं। ये उपकरण किसी व्यक्ति की एक तस्वीर और कपड़ों के एक अलग चित्र को लेते हैं, और फिर उन्हें एक एकल, यथार्थवादी चित्र में मिलाने का प्रयास करते हैं जो उस व्यक्ति को वह पोशाक पहने हुए दिखाता है। हालांकि ये सिस्टम ई-कॉमर्स और डिजिटल फैशन में सामान्य हो गए हैं, लेकिन ये पूर्ण नहीं हैं। अक्सर, परिणाम अजीब दिखते हैं; कपड़े खिंचे हुए या फटे हुए लग सकते हैं, शरीर का आकार अस्वाभाविक रूप से विकृत हो सकता है, या कपड़े का ड्रेप (लटकना) सही नहीं हो सकता है। इन उपकरणों के वास्तव में उपयोगी होने के लिए, डेवलपर्स को एक ऐसे तरीके की आवश्यकता है जिससे वे सटीक रूप से यह माप सकें कि परिणाम कितना अच्छा या बुरा है, जो केवल पिक्सेल तुलना से आगे बढ़कर यह समझ सके कि मानवीय आँख वास्तव में एक सफल ट्राई-ऑन को कैसे देखती है।
शंघाई जियाओ टोंग यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस आवश्यकता को पूरा करने के लिए VTONQA नामक एक नया संसाधन बनाया है, जो विशेष रूप से वर्चुअल ट्राई-ऑन छवियों की गुणवत्ता को आंकने के लिए डिज़ाइन किया गया पहला बड़े पैमाने का डेटासेट है। एक एकल समग्र स्कोर पर निर्भर रहने के बजाय, शोधकर्ताओं ने मूल्यांकन को तीन अलग-अलग आयामों में विभाजित किया है: कपड़े शरीर पर कितनी अच्छी तरह फिट होते हैं, शरीर का आकार और मुद्रा कितनी स्वाभाविक रूप से सुसंगत रहती है, और अंतिम छवि की समग्र सौंदर्य गुणवत्ता क्या है। इसे बनाने के लिए, उन्होंने 11 अलग-अलग वर्चुअल ट्राई-ऑन मॉडलों द्वारा उत्पन्न 8,132 छवियों को एकत्र किया, जो क्लासिक कंप्यूटर विज़न तकनीकों से लेकर आधुनिक आर्टिफिशियल इंटेलिजेंस सिस्टम तक विस्तृत हैं। ये चित्र 184 अलग-अलग लोगों को 80 विभिन्न परिधानों के साथ जोड़कर बनाए गए थे, जो आयु, लिंग, जातीयता और शरीर के प्रकारों (जिनमें बच्चे, बुजुर्ग और गर्भवती महिलाएं शामिल हैं) का एक विविध मिश्रण दर्शाते हैं, और आठ श्रेणियों (टी-शर्ट और स्वेटर से लेकर ड्रेस और ट्राउजर तक) में फैले हुए हैं।
एक बार जब छवियां उत्पन्न हो गईं, तो शोधकर्ताओं ने निर्णय लेने का काम मशीनों पर नहीं छोड़ा। उन्होंने गुणवत्ता के अंतिम निर्णायक के रूप में कार्य करने के लिए 40 स्वयंसेवकों को नियुक्त किया। स्नातक और स्नातकोत्तर शिक्षा की पृष्ठभूमि वाले इन स्वयंसेवकों को प्रत्येक छवि को देखने और प्रत्येक तीन आयामों के लिए एक से पांच तक का स्कोर देने के लिए प्रशिक्षित किया गया था। उन्होंने मूल्यांकन किया कि क्या शर्ट वास्तव में पहनी हुई लग रही थी, क्या व्यक्ति के हाथ और पैर अभी भी मानव अंग लग रहे थे, और क्या अंतिम चित्र देखने में सुखद लग रहा था। इस प्रक्रिया के परिणामस्वरूप लगभग 24,400 व्यक्तिगत स्कोर प्राप्त हुए, जिससे एक विस्तृत मानचित्र तैयार हुआ कि मनुष्य सफलता और विफलता को कैसे देखते हैं। शोधकर्ताओं ने फिर इस मानवीय डेटा का उपयोग यह परीक्षण करने के लिए किया कि मौजूदा कंप्यूटर प्रोग्राम अपने आप इन स्कोरों की कितनी अच्छी तरह भविष्यवाणी कर सकते हैं।
निष्कर्षों ने एक महत्वपूर्ण अंतर को उजागर किया जो कंप्यूटर वर्तमान में मापते हैं और जो मनुष्य वास्तव में देखते हैं, के बीच। छवि गुणवत्ता को मापने के पारंपरिक तरीके, जो अक्सर दो छवियों के बीच पिक्सेल के मिलान या शोर (नॉइज़) की मात्रा पर ध्यान केंद्रित करते हैं, मानवीय राय के साथ तालमेल बिठाने में विफल रहे। ये मानक उपकरण उन सूक्ष्म विकृतियों का पता लगाने में असमर्थ थे जो एक वर्चुअल आउटफिट को नकली बना देती हैं, जैसे कि एक आस्तीन का अस्वाभाविक रूप से मुड़ना या कमर का गायब हो जाना। यहाँ तक कि सामान्य छवियों पर प्रशिक्षित उन्नत आर्टिफिशियल इंटेलिजेंस मॉडल भी वर्चुअल ट्राई-ऑन की विशिष्ट चुनौतियों का सामना करते समय संघर्ष करते दिखे। अध्ययन ने दिखाया कि जबकि कुछ आधुनिक सिस्टम अन्य की तुलना में बेहतर प्रदर्शन करते हैं, कोई भी पूर्ण नहीं था। परीक्षण किए गए क्लोज्ड-सोर्स वाणिज्यिक सिस्टम ने ओपन-सोर्स रिसर्च मॉडलों की तुलना में बेहतर प्रदर्शन किया, लेकिन सबसे अच्छे ओपन-सोर्स मॉडल भी असंगत थे, जो अक्सर ऊपरी शरीर के कपड़ों जैसे शर्ट के साथ अच्छा प्रदर्शन करते हैं लेकिन ट्राउजर और स्कर्ट जैसे निचले शरीर के कपड़ों के साथ काफी संघर्ष करते हैं।
अध्ययन के सबसे महत्वपूर्ण पहलुओं में से एक यह था कि कपड़ों के विभिन्न प्रकार और शरीर के विभिन्न प्रकारों ने परिणामों को कैसे प्रभावित किया। डेटा ने सुझाव दिया कि वर्तमान तकनीक निचले शरीर के जटिल आकारों को संभालने की तुलना में ऊपरी शरीर के कंटूर और फुल-बॉडी ड्रेसेस को अधिक विश्वसनीय रूप से संभालती है। इसी तरह, जबकि सिस्टम विभिन्न शारीरिक आकारों और जातीयताओं में ठीक से काम करते थे, प्रदर्शन इतना भिन्न था कि यह दर्शाता है कि कोई भी एकल मॉडल अभी तक सार्वभौमिक समाधान नहीं है। शोधकर्ताओं ने पाया कि किसी छवि की समग्र गुणवत्ता इस बात पर अधिक निर्भर थी कि शरीर कितना प्राकृतिक दिखता है, बजाय इसके कि कपड़े कितने सटीक रूप से फिट होते हैं, जो यह सुझाव देता है कि मानव रूप को संरक्षित करना एक विश्वसनीय परिणाम के लिए सबसे महत्वपूर्ण कारक है। इस विस्तृत, मानव-सत्यापित डेटासेट को प्रदान करके, शोधकर्ताओं ने क्षेत्र को माप के लिए एक नया मानक दिया है। यह संसाधन डेवलपर्स को यह देखने की अनुमति देता है कि उनके मॉडल कहाँ विफल होते हैं, जिससे यह तकनीक 'ट्रायल-एंड-एरर' चरण से निकलकर एक ऐसे भविष्य की ओर बढ़ रही है जहाँ डिजिटल फिटिंग रूम खरीदारों के लिए वास्तव में यथार्थवादी और विश्वसनीय अनुभव प्रदान कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।