Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Depth Perception and Spatial Vision01:15

Depth Perception and Spatial Vision

897
Depth perception is the ability to perceive objects three-dimensionally. It relies on two types of cues: binocular and monocular. Binocular cues depend on the combination of images from both eyes and how the eyes work together. Since the eyes are in slightly different positions, each eye captures a slightly different image. This disparity between images, known as binocular disparity, helps the brain interpret depth. When the brain compares these images, it determines the distance to an object.
897

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

SynergyGraph: predicting cell line specific drug combination synergy scores using knowledge graph representation and hypergraph modeling.

Scientific reports·2025
Same author

SynergyImage: image-based model for drug combinations synergy score prediction.

BMC bioinformatics·2025
Same author

Drug Repurposing Using Hypergraph Embedding Based on Common Therapeutic Targets of a Drug.

Journal of computational biology : a journal of computational molecular cell biology·2024
Same author

Prediction of drug-drug interaction events using graph neural networks based feature extraction.

Scientific reports·2022
Same author

Detection of polypharmacy side effects by integrating multiple data sources and convolutional neural networks.

Molecular diversity·2022
Same author

BiCAMWI: A Genetic-Based Biclustering Algorithm for Detecting Dynamic Protein Complexes.

PloS one·2016
Same journal

Integrated multi-assessment and structural performance index framework for stacking-sequence optimisation of natural fibre reinforced laminates.

Scientific reports·2026
Same journal

SuperiorGAT: graph attention networks for sparse LiDAR point cloud reconstruction in autonomous systems.

Scientific reports·2026
Same journal

The effect of stretching the pectoralis major, sternocleidomastoid, and iliopsoas muscles on 800 m swimming performance in master swimmers.

Scientific reports·2026
Same journal

ISNR-PQC: isometry noise resilience post quantum cryptography primitive.

Scientific reports·2026
Same journal

Identification of high-yielding and stable genotypes of barley in the cold climate of Iran using AMMI and GGE biplot models.

Scientific reports·2026
Same journal

Bayesian negative binomial modelling of spatial and temporal patterns of road traffic deaths in Ghana.

Scientific reports·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 9, 2025

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function
11:35

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function

Published on: December 8, 2010

16.7K

Mejora de la prueba virtual de ropa mediante la estimación de la profundidad de la imagen

Haniyeh Mobinizadeh1, Amir Lakizadeh2

  • 1Computer Engineering Department, University of Qom, Qom, Iran.

Scientific reports
|September 1, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un marco de prueba virtual mejorado que utiliza mapas de profundidad y mecanismos de atención para mejorar la alineación y el realismo de la prenda. El nuevo modelo aborda eficazmente los desafíos de oclusión, ofreciendo una calidad visual superior para las aplicaciones de prueba virtuales.

Palabras clave:
Aprendizaje profundoEl comercio electrónicoRedes generativas adversasSíntesis de imágenesPruebas virtuales

Más Videos Relacionados

Photorealistic Learned Landscapes for Augmented Reality
06:54

Photorealistic Learned Landscapes for Augmented Reality

Published on: June 27, 2025

155
Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research
06:48

Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research

Published on: June 7, 2024

1.4K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function
11:35

Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function

Published on: December 8, 2010

16.7K
Photorealistic Learned Landscapes for Augmented Reality
06:54

Photorealistic Learned Landscapes for Augmented Reality

Published on: June 27, 2025

155
Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research
06:48

Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research

Published on: June 7, 2024

1.4K

Área de la Ciencia:

  • Visión por computadora
  • Gráficos por computadora
  • Inteligencia artificial

Sus antecedentes:

  • La prueba virtual basada en imágenes sintetiza imágenes de ropa y personas para visualizaciones realistas.
  • Los métodos tradicionales sufren de desalineaciones y artefactos debido a etapas de procesamiento separadas, especialmente con oclusiones y posturas complejas.
  • Las limitaciones existentes reducen el realismo y la calidad de las salidas de prueba virtuales.

Objetivo del estudio:

  • Desarrollar un marco de prueba virtual mejorado que supere las limitaciones de los métodos tradicionales.
  • Para mejorar la alineación de la prenda, reducir los artefactos visuales y mejorar el realismo de las imágenes de prueba generadas.
  • Para abordar los desafíos planteados por las oclusiones y las posturas humanas complejas en el try-on virtual.

Principales métodos:

  • Incorporación de mapas de profundidad para una mayor conciencia espacial y una alineación precisa de la prenda.
  • Un módulo de enmascaramiento de prendas refinado para mejorar la consistencia de la segmentación y la representación precisa de la prenda.
  • Integración de mecanismos de atención de múltiples cabezas en la extracción de características para preservar las texturas y los detalles de la prenda.

Principales resultados:

  • El marco propuesto demostró una mejora significativa en la calidad visual en un conjunto de datos de alta resolución.
  • Mitigación efectiva de los problemas de alineación y oclusión, lo que lleva a resultados de prueba virtuales más realistas.
  • Superó a los métodos de referencia en la entrega de imágenes de prueba virtuales visualmente atractivas y precisas.

Conclusiones:

  • El marco de prueba virtual mejorado aborda con éxito los desafíos clave en la alineación y oclusión de prendas.
  • La integración de mapas de profundidad y mecanismos de atención conduce a un realismo y una calidad superiores en las aplicaciones de prueba virtuales.
  • El modelo propuesto ofrece un avance significativo para experiencias de prueba virtuales realistas.