使用卷积神经网络的特征表示来计算时空统计量,并提出一种参数化的模型,能够合成新的动态纹理样本并预测简单电影中的运动。
Feb, 2017
研究表明,随机浅层卷积神经网络的特征空间可以作为自然纹理的模型,可以用于纹理合成算法,并且相较于深层 CNNs 模型,浅层 CNNs 模型具有相当的性能。
May, 2016
本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成,并实验表明与现有方法相比具有更好的性能。
采用最优传输理论来生成纹理样本,提出了一种基于卷积神经网络的插值方法,同时应用于人和猴子的视觉感知和神经敏感度研究,拓展了对视觉处理的理解。
Jun, 2020
本文提出一种利用深度学习的方式,通过在训练阶段来移动计算负担,使用单个纹理样本训练紧凑的前馈卷积网络,可以生成任意大小的同一纹理的多个样本,并将艺术风格从给定图像传输到任何其他图像中,生成的网络轻巧,并且可以比 Gatys 等人的方法快数百倍。
Mar, 2016
本文提出了一种基于卷积网络 (ConvNets) 的两流 (Two-Stream) 动态纹理合成模型,它能够结合来自目标识别 ConvNet 的特征统计和来自光流 ConvNet 的特征统计生成全新的动态纹理,另外还引入图像风格迁移技术,能够将一个纹理的外观与另一个纹理的动态特性结合生成高质量的纹理。最后作者通过一个系统的用户实验,对该模型进行了客观的评价和验证。
Jun, 2017
本文研究了使用深度神经网络对纹理特征重要的图像数据集进行分类的方法,并通过定义手工特征提取的 VC 维来证明手工特征提取是降低异常误差率的有效工具,同时得出了卷积神经网络、Dropout 网络和 Dropconnect 网络的 VC 维上限以及它们异常误差率的关系。此外,本文还利用内在维度概念验证了基于纹理的数据集比手写数字或其他目标识别数据集本质上更高维,因此更难以被神经网络粉碎,同时还从 n 维流形中计算出样本数据的相对对比度随向量空间维度趋于无限大而消失的规律。
本研究通过建立一个简单的网络架构 (Texture CNN),探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性,并将纹理分析方法中的 filter bank 思想应用到神经网络中,证明了其对提升网络表现和大幅减少运算及占用空间的优势。
Jan, 2016
本文通过对最近的 CNN-based 描述符进行系统评估和比较,梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质,并提出了一个可视化的方法来理解这个性质。最后,作者介绍了一个关于纹理分析和合成的参数化模型,可以用于基于属性的图像操作以及图像的纹理化处理。
Nov, 2015
本文提出了一种基于深度生成式前馈网络实现的纹理综合方法,具有在一个网络内高效综合不同纹理并进行有意义插值的能力,并通过多项实验证明了提出的模型和技术的有效性和应用前缀。
Mar, 2017