Система гардеробная фото: Гардеробные комнаты (50 фото): идеи дизайна для обустройства
Содержание
Варианты гардеробных систем (73 фото)
Гардеробные системы Титан GS 350
Гардеробная система Elfa
Гардеробная система ПАКС GS 450 354501
Гардеробная система Титан GS-350s
Гардеробные системы хранения Титан-GS
Гардеробная система Титан GS 350
Гардеробная система Elfa
Гардеробная система сетчатая Канзас
Небольшие гардеробные
Шкаф платяной Alexa
Гардеробная система Ларвидж
Гардеробная система Титан GS 350
Гардеробные системы Larvij Леруа Мерлен
Аристо угловые гардеробные системы
Стильные гардеробные комнаты
Стеллажная система Slim Eureka
Гардеробные системы Titan GS
Аристо наполнение для гардеробной
Гардеробная система Титан GS-450s
Гардеробная система ПАКС Титан
Модульная гардеробная система
Модульная гардеробная система Дели
Гардеробные комнаты
Система гардеробная ПАКС Титан GS 450
Стеллажная система аристо
Гардеробная Ларвидж
Гардеробная система Канзас до 2. 4
Гардеробная система Aristo
Гардеробная Титан GS
Угловая гардеробная аристо
Гардеробная навесная система аристо
Стеллажные системы для гардеробной аристо
Гардеробные металлические системы аристо
Аристо гардеробные системы
Гардеробная комната
Гардеробная система 1.27
Гардеробные Раумплюс
Стеллажная гардеробная аристо
Угловая гардеробная аристо
Гардеробные металлические системы аристо
Гардеробная система Ларвидж
Стеллажная гардеробная аристо
Система гардеробная ПАКС Титан GS 450s
Гардеробная система Ларвидж
Гардеробная «Алекса»
Стеллажная система аристо черная
Гардеробные системы
Аристо угловые гардеробные системы
Система гардеробная ПАКС Титан GS 450
Гардеробная система
Стеллажи для гардеробной комнаты
Система аристо для гардеробных
Гардеробная система Оскар 3000х 2360
Гардеробная система Ларвидж
Гардеробная Ларвидж
Гардеробная система Титан GS 450
Гардеробная комната
Гардеробная Бриз ЛДСП
СКУББ сумка для хранения, белый93x55x19 см
Гардеробная система аристо размер полок
Гардеробная комната
Гардеробная система НСХ
Гардеробные системы Joker ns1012/1
Гардеробные комнаты
Гардеробная система Парус
Система аристо для гардеробных
Гардеробные системы Титан GS
Угловая гардеробная
Системы аристо для гардеробной
Гардеробная система Stilos
Гардеробные системы Leroy Merlin
Гардеробная Титан GS
Гардеробная система Ларвидж
Гардеробная система (204 фото) » НА ДАЧЕ ФОТО
Гардеробная система аристо
Гардеробная система Титан GS 350
Система гардеробная ПАКС Титан GS 450
Гардеробная система
Гардеробные системы хранения Титан-GS
Гардеробная система Титан GS 350
Сетчатая гардеробная система 1200мм
Гардеробная композиция БАРОНС групп
Гардеробные аристо
Гардеробная система Ларвидж
Современные гардеробные
Шкаф платяной Alexa
Гардеробная система Ларвидж
Гардеробные шкафы
Система аристо для гардеробных
Гардеробная система Титан GS-350s
Гардеробные Раумплюс
Гардеробная модульная лофт ag15
Система гардеробная ПАКС Титан GS 450
Гардеробная Маркус лазурит
Угловая гардеробная аристо
Гардеробная/стеллажная система Modus
Гардеробные системы Titan GS
Гардеробная система
Гардеробная система Ларвидж
Модульная гардеробная система
Модульная гардеробная система Дели
Гардеробная Ларвидж венге
Гардеробные комнаты
Гардеробные Титан GS
Модульная гардеробная система
Гардеробные Титан GS
Гардеробная система Титан GS-450s
Elfa гардеробные системы
Аристо гардеробные системы
Приспособление для хранения ходовой одежды в прихожей
Гардеробная система Леруа
Гардеробные комнаты
Шкаф гардероб
Стеллажная система Slim Eureka
Модульный гардероб
Комната-гардеробная с ПАКС + АЛЬГОТ
Гардеробные комнаты
Стеллажная система аристо
Гардеробная система Ларвидж
Гардеробная Титан GS
Гардероб в комнате
Гардеробные системы Титан GS
Гардеробная система Титан GS-450s
Сетчатые гардеробные аристо
Гардеробная/стеллажная система Modus
Гардеробная система Титан GS
Гардероб угловой ПАКС 210/160×236
Гардеробные комнаты маленьких размеров
Практичная гардеробная система
Небольшие гардеробные
Стеллажные системы для гардеробной аристо
Система гардеробная ПАКС Титан GS 450
Стеллажная гардеробная аристо
Гардеробная в стиле лофт аристо
Маленькие гардеробные
Гардеробная система Ларвидж
Наполнение гардеробных
Маленькие гардеробные
Системы аристо для гардеробной
Складной каркасный тканевый шкаф Storage Wardrobe 175 130 45 см
Маленькие гардеробные комнаты
Гардеробная система икеа
Гардеробная система Титан GS 450
Гардеробная аристо
Гардеробная Титан GS
Гардеробная система Larvij Леруа Мерлен
Гардеробная композиция БАРОНС групп
Модульная гардеробная система Дели
Гардеробная Бриз ЛДСП
Гардеробная система Титан GS-450s
Система гардеробная ПАКС Титан GS 450
Аристо Aristo стеллажная система
Гардеробная система Ларвидж
Гардеробная система Titan GS
Система аристо для гардеробных
Рама для стеллажа Larvij 7 ярусов 560х430х750 мм
Гардеробные системы
Система для гардеробной
Гардеробная Ларвидж
Угловой гардероб
Система гардеробная ПАКС Титан GS 450
Гардеробные системы
Аристо угловые гардеробные системы
Гардеробная аристо
Boaxel боаксель
Шкаф купе Cilek Trio
Гардеробная система Титан GS-350s
Серая гардеробная
Шведские гардеробные системы Elfa
Встроенная гардеробная
Гардеробная стеллажная система икеа
Сетчатые гардеробные аристо
Белая гардеробная аристо
Гардеробная система Larvij
Маленькая гардеробная комната
Гардеробная система
Шкаф лофт
Металлическая гардеробная система
Гардеробная система Титан GS 350
Гардеробная система Титан GS 350
Гардеробная система Оскар хофф
Гардеробные шкафы
Стеллажная система Ларвидж
Гардеробная система аристо конструктор
Гардеробная система икеа
Гардеробные системы Leroy Merlin
Гардеробная система аристо
Рама для стеллажа Larvij 5 ярусов 560х430х550 мм
Гардероб ЭЛВАРЛИ ikea
Pax ПАКС каркас гардероба, белый50x58x236 см
Корзина сетчатая 190х550х550 мм Firmax белая
Шкаф для гардеробной комнаты
Боаксель 3 секции белый182x40x201
Гардеробная навесная система аристо
Модульная гардеробная система Дели
Система аристо гардероб
Гардеробная система Stilos
Гардеробная система
Гардеробные комнаты
Гардеробная система Ларвидж
Гардеробная система Титан GS 450
Серая гардеробная
Boaxel боаксель
Икеа гардеробная йонаксель
Титан ГС гардеробные
Модульные гардеробные системы металлические
Гардеробная система
Шкаф БАРОНС Alexa
Гардероб йонаксель икеа
Серая гардеробная
Гардеробная комната
Телескопическая гардеробная система
Гардеробная система Aristo
Гардеробная система Титан 89251209926
Гардеробная система ikea
НСХ Леруа Мерлен
Гардеробная комната 6м2 икеа
ПАКС Гримо
Jonaxel йонаксель
Гардеробная система Титан GS 350
Шкаф-купе Cilek Royal
Гардеробная система аристо конструктор
Aristo постирочная
Гардеробная Elfa
Гардеробная Титан GS
Гардеробные на заказ
Гардеробная система
Гардеробные шкафы
Гардеробная Титан GS
V Zug шкаф для одежды Butler
Корпусная гардеробная
Аристо гардеробные системы
Гардеробная ПАКС икеа
Стол в гардеробную
Наполнение гардеробной
Выдвижные гардеробные системы
Системы аристо для гардеробной
Elfa гардеробные системы
Гардеробная система Гардие
Угловая гардеробная
Шкаф Pax Hokksund
Гардеробные системы
Гардеробная система Ларвидж
Гардеробная система Гардие
Шкаф платяной БАРОНС Alexa
Прачечная.
Система хранения Aristo
Гардеробная система Титан GS 450
Гардеробная Mr Doors
Шкаф платяной БАРОНС Alexa
Гардеробная система Ларвидж
Larvij Леруа Мерлен
Аристо Aristo стеллажная система
Elfa гардеробные стеллаж
Белая гардеробная аристо
Шкаф купе внутри
СКУББ сумка для хранения, белый93x55x19 см
Гардеробные комнаты
Корзины Вибо для шкафов
Система хранения Титан
Система гардеробная ПАКС Титан GS 450
Гардеробная система Леруа Мерлен
Гардеробные для общественных помещений
Premium брючница al 764*465*63 мм серебро
Гардероб йонаксель икеа
Гардеробные системы Joker ns1012/1
Гардеробные в современном стиле
Наполнение шкафа в спальню
Raumplus RPE
Шкаф гардеробный
Гардеробная система GS 350
Комплект гардеробной системы с полкой Larvij глубиной 450 мм
Гардеробная система Apperia
Система аристо для гардеробных
Титан ГС гардеробные
Гардеробная система Home Space
Разработка виртуальной примерочной с использованием технологий дополненной реальности и искусственного интеллекта
Я ненавижу делать покупки в обычных магазинах.
Однако мой интерес к виртуальным покупкам не ограничивается только покупательским опытом. В отделе MobiDev DataScience я приобрел опыт работы с технологиями искусственного интеллекта для виртуальной примерки. Цель этой статьи — описать, как эти системы работают изнутри.
Как работает технология виртуальной примерки
Несколько лет назад стратегия «Попробуй, прежде чем купить» была эффективным методом привлечения покупателей в магазинах одежды. Сейчас эта стратегия существует в виде виртуальных примерочных. По прогнозам Fortune Business Insights, к 2027 году объем рынка виртуальных примерочных достигнет 10,00 млрд долларов США9.0003
Чтобы лучше понять логику технологии виртуальной примерочной, рассмотрим следующий пример. Некоторое время назад у нас был проект по разработке обувной примерочной с дополненной реальностью (AR). Примерочная работает следующим образом:
- Входное видео разбивается на кадры и обрабатывается с помощью модели глубокого обучения, которая оценивает положение набора конкретных ключевых точек ног и ступней.
- 3D-модель обуви размещается в соответствии с обнаруженными ключевыми точками для естественного отображения ориентации для пользователя.
- 3D-модель обуви визуализируется таким образом, чтобы каждый кадр отображал реалистичные текстуры и освещение.
Использование ARKit для 3D-оценки позы человеческого тела и визуализации 3D-моделей
Читайте также:
Возможности и варианты использования технологии оценки позы человека в 2022 годуПри работе с ARKit (платформой дополненной реальности для устройств Apple) мы обнаружили, что у нее есть ограничения по рендерингу. Как видно из видео выше, точность отслеживания слишком низкая, чтобы использовать его для позиционирования обуви. Причиной этого ограничения может быть поддержание скорости логического вывода при пренебрежении точностью отслеживания, что может иметь решающее значение для приложений, работающих в режиме реального времени.
Еще одной проблемой была плохая идентификация частей тела алгоритмом ARKit.
Был сделан вывод, что приложениям виртуальной примерочной могут потребоваться дополнительные функции наряду со стандартными библиотеками дополненной реальности. Таким образом, рекомендуется привлекать специалистов по данным для разработки пользовательской модели оценки позы, которая должна обнаруживать ключевые точки только на одной или двух ногах в кадре и работать в режиме реального времени.
Обзор решений для виртуальной примерки
Рынок виртуальных примерочных предлагает аксессуары, часы, очки, головные уборы, одежду и многое другое. Давайте рассмотрим, как некоторые из этих решений работают под капотом.
Виртуальные примерочные часы
Хорошим примером виртуальной примерки часов является приложение AR-Watches, позволяющее пользователям примерять различные часы.
Решение основано на технологии ARTag с использованием специальных маркеров, напечатанных на ремешке, который пользователь должен носить на запястье вместо часов, чтобы начать виртуальную примерку часов. Алгоритм компьютерного зрения обрабатывает только видимые в кадре маркеры и определяет положение камеры по отношению к ним. После этого для корректного рендеринга 3D-объекта виртуальная камера должна быть размещена в том же месте.
В общем, технологии имеют свои ограничения (например, не у всех есть под рукой принтер, чтобы распечатать полосу ARTag). Но если это соответствует варианту использования в бизнесе, было бы не так сложно создать продукт с качеством, готовым к производству. Вероятно, наиболее важной частью будет создание правильных 3D-объектов для использования.
Визуализация 3D-модели часов с использованием технологии ARTag (источник)
Виртуальная примерка обуви
Приложения Wanna Kicks и SneakerKit являются хорошей демонстрацией того, как технологии дополненной реальности и глубокого обучения могут применяться для обуви.
Технически такое решение использует модель оценки положения стопы, основанную на глубоком обучении. Эту технологию можно рассматривать для частного случая широко распространенных трехмерных моделей оценки позы всего тела, которые оценивают положение выбранных ключевых точек в трехмерном измерении напрямую или путем вывода обнаруженных положений двухмерных ключевых точек в трехмерные координаты.
Трехмерная оценка позы стопы (источник)
После определения положения трехмерных ключевых точек стопы их можно использовать для создания параметрической трехмерной модели стопы человека, а также для позиционирования и масштабирования трехмерной модели обуви в соответствии с геометрические свойства параметрической модели.
Позиционирование 3D-модели обуви поверх обнаруженной параметрической модели стопы (источник)
По сравнению с моделью оценки позы всего тела/лица, оценка позы стопы по-прежнему имеет определенные проблемы.
Основная проблема заключается в отсутствии данных 3D-аннотаций, необходимых для обучения модели.
Однако оптимальным способом избежать этой проблемы является использование синтетических данных, которые предполагают визуализацию фотореалистичных 3D-моделей стопы человека с ключевыми точками и обучение модели на этих данных; или использовать фотограмметрию, которая предполагает реконструкцию 3D-сцены из нескольких 2D-видов, чтобы уменьшить количество потребностей в маркировке.
Такое решение намного сложнее. Чтобы выйти на рынок с готовым к использованию продуктом, необходимо собрать достаточно большой набор данных ключевых точек стопы (используя синтетические данные, фотограмметрию или их комбинацию), обучить индивидуальную модель оценки позы (которая сочетают в себе достаточно высокую точность и скорость вывода), проверить его надежность в различных условиях и создать модель стопы. Мы считаем, что это проект средней сложности с точки зрения технологий.
Виртуальная примерка очков
Компании FittingBox и Ditto рассмотрели возможность виртуальной примерки очков с использованием технологии дополненной реальности.
Пользователь должен выбрать модель очков из виртуального каталога и она надевается ему на глаза.
Виртуальная примерка очков и моделирование линз (источник)
Это решение основано на подходе к оценке позы на основе глубокого обучения, используемом для обнаружения ориентиров лица, где общий формат аннотаций включает 68 2D/3D ориентиров лица.
Пример распознавания лицевых ориентиров на видео. Обратите внимание, модель на видео распознает более 68 ориентиров (источник)
Такой формат аннотации позволяет с достаточной степенью точности различать контур лица, нос, глаза, брови и губы. Данные для обучения модели оценки ориентиров лица могут быть взяты из таких библиотек с открытым исходным кодом, как Face Alignment, предоставляющих готовые функции оценки позы лица.
Технологически такое решение не такое уж сложное, особенно если использовать любую предварительно обученную модель в качестве основы для задачи распознавания лиц.
Но важно учитывать, что некачественные камеры и плохие условия освещения могут быть ограничивающими факторами.
Хирургические маски для виртуальной примерки
В разгар пандемии COVID-19 ZapWorks запустила образовательное приложение на основе дополненной реальности, предназначенное для обучения пользователей тому, как правильно носить хирургические маски. Технически это приложение также основано на методе определения ориентиров лица в 3D. Как и приложение для примерки очков, этот метод позволяет получить информацию о чертах лица и последующем рендеринге маски.
AR для руководства по ношению масок (источник)
Виртуальные примерочные шляпы
Учитывая тот факт, что модели обнаружения ориентиров лица работают хорошо, еще одним часто моделируемым предметом AR являются головные уборы. Все, что необходимо для корректной отрисовки шапки на голове человека, — это 3D-координаты нескольких ключевых точек, обозначающих виски и расположение центра лба.
Приложения для примерки виртуальных головных уборов уже запущены компаниями QUYTECH, Banuba и Vertebrae.
Примерка бейсболки (источник)
Виртуальная примерка одежды
По сравнению с обувью, масками, очками и часами виртуальная примерка 3D-одежды по-прежнему остается сложной задачей. Причина в том, что одежда деформируется, принимая форму тела человека. Таким образом, для правильного использования AR модель глубокого обучения должна определять не только основные ключевые точки на суставах человеческого тела, но и форму тела в 3D.
Глядя на одну из последних моделей глубокого обучения DensePose, предназначенную для сопоставления пикселей RGB-изображения человека с 3D-поверхностью человеческого тела, можно обнаружить, что она все еще не совсем подходит для дополненной реальности. Скорость вывода DensePose не подходит для приложений реального времени, а обнаружение сетки тела имеет недостаточную точность для подгонки 3D-предметов одежды.
Чтобы улучшить результаты, необходимо собрать больше аннотированных данных, что требует много времени и ресурсов.
Альтернативой является использование двухмерных предметов одежды и двухмерных силуэтов людей. Так делает компания Zeekit, предоставляя пользователям возможность применить к своей фотографии несколько типов одежды (платья, брюки, рубашки и т. д.).
Примерка 2D-одежды, Zeekit (источник)
Строго говоря, метод передачи 2D-изображений одежды не может считаться дополненной реальностью, так как аспект «Реальность» подразумевает работу в реальном времени, тем не менее, он все же может обеспечить необычный и захватывающий пользовательский опыт. Задние технологии включают в себя генеративно-состязательные сети, модели оценки позы человека и анализа человека. Алгоритм переноса 2D-одежды может выглядеть следующим образом:
- Идентификация областей на изображении, соответствующих отдельным частям тела
- Обнаружение положения идентифицированных частей тела
- Изготовление искаженного изображения перенесенной одежды
- Применение деформированного изображения к изображению человека с минимумом производимых артефактов
Наши эксперименты с переносом 2D-одежды
Поскольку готовых предварительно обученных моделей для виртуальной примерочной нет, мы исследовали эту область, экспериментируя с моделью ACGPN.
Идея состояла в том, чтобы изучить результаты этой модели на практике для переноса 2D-ткани, используя различные подходы.
Модель применялась к изображениям людей в стесненных (выборки из обучающего набора данных, VITON) и ненавязчивых (любая среда) условиях. Кроме того, мы проверили пределы возможностей модели, не только запустив ее на пользовательских изображениях людей, но и используя пользовательские изображения одежды, которые сильно отличались от данных обучения.
Вот примеры результатов, которые мы получили в ходе исследования:
1. Воспроизведение результатов, описанных в исследовательской статье «На пути к фотореалистичной виртуальной примерке путем адаптивного создания контента с сохранением изображения», с исходными данными и нашими моделями предварительной обработки. :
Успешная (A1-A3) и неудачная (B1-B3) замена одежды
Результаты:
- B1 – плохая окраска
- B2 – новая одежда внахлест
- B3 – дефекты краев
2.
Применение нестандартной одежды к изображениям людей по умолчанию:
Замена одежды с использованием нестандартной одежды
Результаты:
- Строка А – без дефектов
- Строка B — некоторые дефекты требуют модерации
- Строка C — критические дефекты
3. Применение одежды по умолчанию к пользовательским изображениям человека:
Выходы замены одежды на изображениях с неограниченным окружением
Результаты:
- Ряд А – дефекты краев (незначительные)
- Строка B — ошибки маскирования (умеренные)
- Строка C — ошибки рисования и маскирования (критические)
4. Применение нестандартной одежды к нестандартным изображениям людей:
Замена одежды с неограниченным окружением и нестандартными изображениями одежды
Результаты:
- Строка A – лучшие результаты, полученные по модели
- Строка B — много дефектов, подлежащих модерации
- Строка C – наиболее искаженные результаты
При анализе выходных данных мы обнаружили, что виртуальная примерка одежды все еще имеет определенные ограничения.
Дело в том, что обучающие данные должны содержать парные изображения целевой одежды и людей, одетых в эту одежду. Если дается реальный бизнес-сценарий, это может быть сложно выполнить. Другие выводы из исследования:
- Модель ACGPN выдает довольно хорошие результаты на изображениях людей из обучающего набора данных. Это также верно, если применяются нестандартные элементы одежды.
- Модель нестабильна при обработке изображений людей, снятых при различном освещении, других условиях окружающей среды и необычных позах.
- Технология создания систем виртуальных примерочных для переноса 2D-изображений одежды на изображение целевого человека в дикой природе еще не готова для коммерческого применения. Однако если условия статичны, ожидаемые результаты могут быть намного лучше.
- Основным сдерживающим фактором, сдерживающим разработку более качественных моделей, является отсутствие разнообразных наборов данных с людьми, запечатленными в уличных условиях.
В заключение скажу, что современные виртуальные примерочные хорошо подходят для предметов, связанных с отдельными частями тела, такими как голова, лицо, ступни и руки. Но если говорить об объектах, где человеческое тело необходимо полностью обнаружить, оценить и изменить, виртуальная одежда все еще находится в зачаточном состоянии. Тем не менее, ИИ развивается семимильными шагами, и лучшая стратегия — оставаться в курсе событий и продолжать попытки.
Преображение виртуальных примерочных с помощью компьютерного зрения
Сочетая модель глубокого обучения с компьютерным зрением, Revery.ai улучшает работу онлайн-примерочных как для розничных продавцов, так и для потребителей. Создавая инструмент, который использует существующие изображения каталога магазина для создания масштабируемой виртуальной гардеробной, эта технология дает покупателям возможность примерить весь ассортимент магазина, не выходя из дома.
«Вдохновением для создания Revery послужило решение проблемы, с которой сталкивается каждый при совершении покупок в Интернете — как этот наряд на самом деле выглядит вживую? Идея виртуальной примерочной не нова — от фильма «Бестолковые» до впечатляющего провала Boo.
По рекомендации Дэвида Форсайта, профессора компьютерных наук в Университете Иллинойса, в число соучредителей Revery.ai также входят два дополнительных кандидата наук в области искусственного интеллекта в моде и компьютерного зрения, Кедан Ли и Мин Джин Чонг. Группа также является новым участником платформы ускорения NVIDIA Inception для стартапов в области искусственного интеллекта, науки о данных и высокопроизводительных вычислений.
По словам Чжана, Revery преодолевает самое большое препятствие виртуальной гардеробной для большинства гигантов розничной торговли — масштабируемость. Технология предлагает комплексный инструмент, способный обрабатывать более миллиона изображений одежды в неделю.
Revery делает это возможным благодаря недавно разработанному алгоритму искусственного интеллекта, который использует ускоренную cuDNN среду глубокого обучения PyTorch и графические процессоры NVIDIA RTX 3090 и RTX A6000 как для обучения, так и для обработки моделей.
Поскольку платформа учится на миллионах изображений, система способна фиксировать и обрабатывать нюансы, такие как то, как одежда ложится, текстура, логотипы или даже оттенок, предоставляя реалистичные онлайн-версии одежды.
«Нам выпала честь получить в свои руки несколько графических процессоров последнего поколения, которые значительно ускорили наше обучение по сравнению с предыдущими поколениями. Кроме того, увеличенный объем памяти позволяет нам генерировать изображения с разрешением до 1,5 КБ», — сказал Чжан.
Технология не только экономит время. Это также позволит сократить миллионы долларов, которые потребуются для интеграции полного инвентаря, предлагая розничным торговцам возможность быстро обновлять запасы.
Виртуальная гримерка Revery.ai. Предоставлено: Revery.ai Объем онлайн-покупок растет: в 2020 году потребители потратили 861,12 миллиарда долларов у американских продавцов. Прогнозируется, что к концу года объем электронной торговли одеждой в США достигнет около 100 миллиардов долларов, и команда надеется расшириться за счет больше интернет-магазинов.
Они также сосредоточены на создании более инклюзивных и разнообразных предложений для клиентов, чего часто не хватает индустрии моды. Группа работает над повышением персонализации, предлагая различные формы тела и добавляя варианты комбинирования для сумок и обуви. Текущий продукт предлагает покупателям возможность настраивать пол, оттенок кожи, волосы и даже менять позы моделей.
«Наша долгосрочная цель — оцифровать каждую одежду из любого магазина и интегрировать ее с гардеробами покупателей, чтобы создать захватывающий опыт покупок в Интернете», — сказал Чжан.
Прочитать исследование >>
Узнать больше о Revery.AI >>
О Мишель Хортон
Мишель Хортон (Michelle Horton) — старший менеджер по связям с разработчиками в NVIDIA, имеет опыт работы менеджером по связям с общественностью и научным писателем. В NVIDIA она пишет для технического блога, рассказывая о том, как люди и компании используют технологии NVIDIA.