Mar, 2016

纹理网络：纹理和风格化图像的前馈合成

PDF
TL;DR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。
deep networkstexturesstylized imagesconvolutional networksartistic style transfer
发现论文，激发创造
  • 改进纹理网络：在前馈风格化和纹理合成中最大化质量和多样性

    本文提出了一种实例归一化模块代替批量归一化的生成神经网络，以及一种新的学习公式，可以从 Julesz 纹理集中无偏地采样，这两个改进使得图像风格化过程更接近于优化生成，同时保留了速度优势。

    Jan, 2017

  • 前馈网络实现的多样化纹理合成

    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

  • 使用直方图损失实现稳定可控的神经纹理合成和风格迁移

    本文提出了一种基于卷积神经网络的多尺度合成管道，采用直方图损失来综合纹理，改善以前方法中的不稳定性，同时通过集成局部样式损失来提高特征的质量，改善内容和样式的分离，并提供艺术控制，进而获得更高质量、更快收敛和更好的稳定性。

    Jan, 2017

  • 利用卷积神经网络进行纹理合成

    介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。

    May, 2015

  • TileGAN：大规模非均质纹理的合成

    在输入多张图像且需要大规模输出的纹理合成问题中，本文基于生成对抗网络提出两个扩展解决方案，一是结合较小分辨率的 GAN 训练产生边界无明显痕迹的大规模纹理地图，二是提供用户界面进行艺术控制，我们的定量和定性结果展示了合成高分辨率地图的成功案例。

    Apr, 2019

  • 基于 CNN 的纹理生成中引入远程一致性

    本文提出一种对卷积网络的特征进行简单修改的方法，可以将长程结构纳入图像生成，并渲染满足各种对称约束的图像以及在图像修复和季节转换等方面应用广泛。

    Jun, 2016

  • 使用随机卷积滤波器的浅层卷积神经网络纹理合成

    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

  • GramGAN: 基于深度学习的从 2D 样例生成 3D 纹理

    本文提出了一种新颖的纹理合成框架，可以根据 2D 示例图像生成无限高质量的 3D 纹理，通过训练深度神经网络模型进行纹理生成，其中采用了结合样式迁移和生成对抗网络思想的新型损失函数，将分析网络深度特征的 Gram 矩阵与合成网络匹配，同时还提出了两种架构概念和外推策略以提高泛化性能，并通过定量和定性评估以及用户研究证实了其胜于先前最先进模型的性能。

    Jun, 2020

  • 使用马尔科夫生成对抗网络预计算的实时纹理合成

    本文提出了 Markovian Generative Adversarial Networks (MGANs) 的方法，用于训练具有高效纹理合成功能的生成神经网络。通过对 Markovian patch 的特征统计进行捕捉，可以直接生成具有任意尺寸的输出，从而使合成图像的速度显著提高，并在纹理合成、样式转移和视频样式化等领域得到应用。

    Apr, 2016

  • 多模态迁移：一种用于快速艺术风格迁移的分层深度卷积神经网络

    提出了一种多模态卷积神经网络的方案，本方案可以在多个尺度上处理风格和纹理提示，从而将艺术风格转移应用到常规照片上，平均效率也高于当前市场上其他方法。

    Nov, 2016