SKT FLY AI Challenge

3 / 3

Paper Review - LaDI-VTON(Latent Diffusion Textual-Inversion Enhanced Virtual Try-On)

AI논문 리뷰

논문 링크


SKT-FLY-AI 4기 프로젝트로 진행했던 Reclos는 가상 피팅 기술을 중고 의류 플랫폼과 접목시킨 서비스입니다.

해당 프로젝트에서 참고했던 논문 중 하나인 LaDI-VTON(Latent Diffusion Textual-Inversion Enhanced Virtual Try-On) 논문을 정리해 보고자 합니다.

기술 선정 배경

LaDI-VTON 외에도 다양한 가상 피팅 기술 관련 논문이 있었지만 다음과 같은 이유로 LaDI-VTON을 선정하게 되었습니다.

  • 모델 성능: 프로젝트 당시 LaDI-VTON이 가장 최신 기술이었고 논문에 나온 모델 성능이 다른 논문들에 비해 우수했습니다.
  • 공개된 모델: 학습에 사용된 데이터셋과 모델 코드, 가중치가 모두 공개되어 있어서 참고하기 용이했습니다.
  • End-to-End 모델: 다른 논문들은 가상 피팅을 위한 전처리 과정이 복잡하고 여러 모델을 연결해야 하는 경우가 많았지만 LaDI-VTON은 End-to-End 모델로 구성되어 있어서 구현이 간단했습니다.


Introduction

Latent Diffusion Model (LDM)

  • 가상 피팅에서 지금까지의 SOTA는 생성 AI 모델로 GAN을 사용해왔음
  • LaDI-VTON은 Latent Diffusion Model을 가상 피팅에 적용한 최초의 시도

논문 요약

  • LDM(Latent Diffusion Model)을 사용한 가상 피팅 모델
  • LDM에서의 reconstruction error를 줄이기 위해 autoencoder에 skip connection 적용. 이를 통해 인페인팅 외부 영역의 세부 정보 보존
  • 원본 옷의 디테일을 보존하기 위한 textual inversion module 정의
  • 실험을 통해 아키텍쳐 각 구성 요소의 효율성을 검증했고, 해당 Task에서 널리 사용되는 벤치마크에 대해 SOTA를 달성


Related Work

Image-Based Virtual Try-On

Image-Based Virtual Try-On은 원하는 옷을 피사체의 해당 영역에 transfer 시키면서 피사체의 자세와 정체성(얼굴, 손, 발 등)을 보존하는 것을 목표로 한다.

VITON이 이 분야의 선구적인 연구 중 하나로 다음과 같이 구성된 프레임워크를 사용한다.

  • TPS 변환을 통해 옷을 warping 하여 더욱 입체적이고 자연스럽게 표현
  • Encoder-Decoder Generator 사용

후속 연구들은 위의 구조에서 warping 모듈을 향상시키거나, 생성 단계와 결과 개선에 초점을 맞추고 있다.

현재 방법들은 모두 GAN 기반으로 생성을 수행하지만, 이 논문에서는 Latent Diffusion Model을 사용한 방법을 제안한다.

Diffusion Models

  • Diffusion Model은 text-to-image, image-to-image, image 편집 등 다양한 task에 적용되어 큰 영향을 미치고 있다.
  • 특히 가상 피팅과 관련하여, 인체 자세 보존이 중요한 task인 인간 이미지 생성 분야에서 Diffusion Model이 활용되고 있다.

Textual Inversion

  • Textual Inversion은 비교적 최근 제안된 기술로, text encoder의 임베딩 공간에서 pseudo word를 학습하는 것을 목표로 한다.
  • Textual Inversion을 통해 사용자 개인화된 이미지 생성 및 편집을 가능하게 하는 다양한 후속 연구들이 제안되었다.
Textual Inversion 더보기


Proposed Method

CLIP (Contrastive Language-Image Pre-training)

LaDI-VTON 모델에 대해 이해하려면 먼저 CLIP을 알아야 합니다.

CLIP은 OpenAI에서 제안한 모델로, 이미지와 텍스트를 함께 학습하여 이미지와 텍스트 간의 관계를 학습하는 모델입니다.

CLIP에서의 학습 과정은 다음과 같습니다.

  1. 이미지와 텍스트를 각각 동일한 차원으로 임베딩한다.
  2. N개의 대각 원소들 각각의 코사인 유사도를 최대화하고, 나머지 원소들의 코사인 유사도는 최소가 되도록 인코더를 학습시킨다.

이렇게 학습된 CLIP은 이미지와 텍스트 간의 관계를 잘 이해하고 있어서, 이미지를 텍스트로 설명하거나 텍스트를 이미지로 생성하는 등 다양한 task에 사용할 수 있습니다.

LaDI-VTON은 가상 피팅 시 원본 옷의 질감, 색상 등의 디테일을 보존하기 위해 CLIP을 사용합니다.

CLIP에 대해 보다 자세한 내용은 해당 논문을 참고하시기 바랍니다.

https://arxiv.org/abs/2103.00020

Ladi-VTON Model Overview

모델이 꽤 복잡하므로 부분으로 나눠서 정리했습니다.

PTE(pseudo-word token embeddings)

  • 원본 옷 이미지를 통해 해당 옷에 대해 설명된 글을 예측하도록 하는 과정을 논문에서는 PTE(pseudo-word token embeddings) 라고 정의
  • PTE로 생성된 pseudo-word는 diffusion model의 또 다른 input으로 사용됨
  • 모델 학습 과정에는 CLIP에서 사용하는 임베딩 방식을 사용
  • 𝐹𝜃 → CLIP에서 이미지 인코딩을 수행하는 부분으로, VIT Layer과 MLP로 구성
  • 𝐹𝜃을 학습시킬 때는 PTE의 결과인 TE 외에 diffusion model의 다른 input은 freezing 한 상태로 수행된다.

  • 데이터셋에는 옷의 특징(질감, 핏 등)을 잘 나타내는 문장이 labeling 되어 있음
  • 해당 문장을 pretrained된 lookup table로 임베딩해서 CLIP의 임베딩 공간에 위치시킴
  • 이 부분은 모델 학습 시에만 사용되며, 추론 시에는 𝐹𝜃이 옷에 대한 문장(벡터)을 바로 생성한다.

  • CLIP의 임베딩 공간에서 옷에 대한 문장을 생성하도록 학습
  • TE는 위 과정의 결과 벡터로 diffusion model의 또 다른 input으로 사용하여 옷의 디테일을 보존한다.

사용자의 포즈에 맞게 옷 변형

Diffusion Network 훈련 (Fine-Tuning)

  • Diffusion Network를 fine-tuning 하는 과정 (사전 훈련된 가중치 사용)
  • 포즈맵(p)과 변형된 옷(C_W), 마스킹 된 영역(I_M)을 모두 인풋으로 넣기 위해 모델의 입력 차원 확장
  • 이때 포즈맵과 변형된 옷(포즈맵을 통해 생성됨)을 모두 input으로 사용하는 이유는, 변형된 옷(C_W)을 생성하는 과정에서 포즈에 대한 손실이 일어났을 수도 있기 때문이라고 논문에서 설명함

EMASC(Enhanced Mask-Aware Skip Connection) Module

  • Diffusion Model의 U-Net 구조에서 이미지를 압축할 때 모델의 특성(얼굴, 손, 발등)을 보존하기 위해 추가한 모듈
  • Skip Connection을 통해 U-Net을 거치지 않고 인코더에서 디코더로 전달
  • EMASC 출력을 처리하여 마스킹 된 영역(M)이 디코더로 전달되지 않게 함. (EMASC를 통해 보존할 부분은 마스킹 되지 않은 영역)
  • EMASC 모듈은 두 개의 Convolution Layer로 구성


Experimental Evaluation

Datasets

  • 2가지 데이터셋(Dress Code, VITON-HD)으로 실험을 구성
  • 두 데이터셋 모두 매장 내 의류와 모델 이미지로 구성된 paired/unpaired 데이터셋
    • paired: 모델이 입은 옷과 새로 입히는 옷이 같음
    • unpaired: 모델이 입은 옷과 새로 입히는 옷이 다름

Evaluation Metrics

생성된 이미지와 정답 이미지 간의 유사도를 측정하기 위해 다음과 같은 metric을 사용했습니다.

LPIPS (Learned Perceptual Image Patch Similarity)

  • 비교할 2개의 이미지를 각각 VGG Network에 넣고, 중간 layer의 feature 값들을 각각 뽑아내서, 2개의 feature가 유사한지를 측정하여 평가 지표로 사용
  • 값이 낮을수록 높은 유사도

SSIM (Structural Similarity Index Measure)

  • Luminance(휘도, 빛의 밝기), Contrast(대비, 밝기 차이), Structure(구조, 상관관계) 3개의 지표를 사용
  • 값이 높을수록 높은 유사도

FID (Fréchet Inception Distance)

  • 이미지의 분포 간의 거리를 측정
  • pre-train된 Inception 모델을 사용해 이미지의 특징을 추출하고, 이 두 분포 간의 Frechet 거리를 계산 (Frechet - 두 곡선이 얼마나 비슷한지 측정하는 거리 지표)
  • 값이 낮을수록 높은 유사도

KID (Kernel Inception Distance)

  • FID와 비슷하지만, 두 분포 간의 거리를 계산할 때, MMD를 사용
  • MMD(Maximum Mean Discrepancy) - 두 개의 다른 데이터셋이 같은 분포에서 왔는지를 통계적으로 검정
  • FID에 비해 이상치(outliers)에 덜 민감
  • 값이 낮을수록 높은 유사도

Experimental Results

  • Table 1: Dress Code Dataset에서의 실험 결과
  • Table 2: VITON-HD Dataset에서의 실험 결과
  • paired/unpaired 데이터셋 모두에서 모든 경쟁사보다 훨씬 뛰어난 성능을 발휘

  • LaDI-VTON이 다른 경쟁 모델보다 원본 옷의 디테일을 잘 보존하고 더 자연스러운 결과를 보여줌

  • 왼쪽이 원본, 가운데가 EMASC 적용 전, 오른쪽이 EMASC 적용 후
  • EMASC 모듈을 적용했을 때 모델의 디테일이 더 잘 보존되는 것을 확인할 수 있음


Conclusion

  • LaDI-VTON에서는 최초로 가상 피팅을 위해 Latent Diffusion Model을 사용
  • 최초로 Textual Inversion 모듈을 사용하여 원본 옷의 디테일을 보존하는 프로세스를 제안
  • Latent Diffusion Model의 autoencoder 구조에 skip connection을 적용하는 EMASC 모듈을 제안
  • 이는 손, 얼굴, 발과 같은 인체의 디테일한 부분을 보존하는 데 크게 효과적임
  • 두 가지 벤치마크인 Dress Code, VITON-HD 데이터셋 모두에 대해 SOTA를 달성


Limitations

  • LaDI-VTON 모델은 옷의 문자나 숫자를 재현하는 데 어려움을 겪음
  • 연구팀은 이를 Diffusion Model의 한계로 설명하고 있음


마치며

  • AI 관련 프로젝트를 처음 해보면서 논문 리뷰도 처음 해보게 되었는데, 생각처럼 쉽지 않았습니다.
  • 이제야 AI 분야에 살짝이나마 발을 들이게 된 것 같아 기쁘고 앞으로 꾸준히 관심 분야의 논문들을 정리해 보면서 깊이 있게 공부해 보고 싶습니다.