[论文解读] Fashion Meets Computer Vision: A Survey

Wen-Huang Cheng, Sijie Song+3 more|arXiv (Cornell University)|Mar 31, 2020

Generative Adversarial Networks and Image Synthesis参考文献 207被引用 50

一句话总结

对超过 200 篇以时尚为焦点的计算机视觉工作在检测、分析、合成及推荐方面的综合综述，涵盖数据集、基准测试与未来方向。

ABSTRACT

Fashion is the way we present ourselves to the world and has become one of the world's largest industries. Fashion, mainly conveyed by vision, has thus attracted much attention from computer vision researchers in recent years. Given the rapid development, this paper provides a comprehensive survey of more than 200 major fashion-related works covering four main aspects for enabling intelligent fashion: (1) Fashion detection includes landmark detection, fashion parsing, and item retrieval, (2) Fashion analysis contains attribute recognition, style learning, and popularity prediction, (3) Fashion synthesis involves style transfer, pose transformation, and physical simulation, and (4) Fashion recommendation comprises fashion compatibility, outfit matching, and hairstyle suggestion. For each task, the benchmark datasets and the evaluation protocols are summarized. Furthermore, we highlight promising directions for future research.

研究动机与目标

• 梳理覆盖检测、分析、合成和推荐的智能时尚领域的当前最先进方法。
• 总结每个时尚任务的基准数据集与评估协议。
• 提供性能对比与见解，以指导未来的研究方向。

提出的方法

• 将研究分为四个类别：时尚检测、分析、合成和推荐。
• 在检测领域回顾里程碑式的检测、解析和物品检索。
• 在分析领域综述属性识别、风格学习和流行度预测。
• 在合成领域总结风格迁移、姿态变换和物理仿真。
• 在推荐领域概述时尚搭配、服装搭配与发型建议。
• 整理各任务的数据集和评估指标，并突出数据集链接。

实验结果

研究问题

• RQ1 当前在时尚检测、分析、合成与推荐领域的领先方法和数据集有哪些？
• RQ2 哪些评估指标与基准在每个时尚任务中占主导地位，方法之间如何比较？
• RQ3 智能时尚研究的关键挑战与未来方向是什么？

主要发现

• 四个主要研究方向定义了智能时尚：检测、分析、合成和推荐。
• 基于深度学习的方法在里程碑检测、解析和跨域时尚检索任务中占主导地位。
• 存在广泛的基准数据集（如 DeepFashion、DeepFashion2、LIP、Fashionpedia），并配有针对任务的评估指标。
• 本综述突出趋势、数据集与未来方向，以促进智能时尚的发展。
• 性能因数据集和任务而异，较新模型通常在基准测试中提升关键点定位和解析精度。