Apr, 2016

使用马尔科夫生成对抗网络预计算的实时纹理合成

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于马尔可夫随机场和卷积神经网络的图像合成

    本文研究了基于生成式马尔可夫随机场模型和鉴别式训练的深度卷积神经网络相结合方法，用于2D图像的合成，同时使用MRF正则化方法避免了以前dCNN反演方法中的过度激发和不可行的特征混合，提高了图像合成的视觉逼真度。

    Jan, 2016

  • 纹理网络：纹理和风格化图像的前馈合成

    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

  • 空间生成对抗网络纹理合成

    本文介绍了一种基于生成对抗网络的新型纹理合成模型，即空间 GAN（SGAN），其通过将输入噪声分布空间从单一向量延展至整个空间张量，实现了高品质、高可扩展性和快速实时正向生成等特点，并能够将多个不同类别的源图像融合到复杂的纹理中。同时，本文还讨论了该方法的一些局限性，并将其与其他神经纹理生成技术进行了比较。

    Nov, 2016

  • 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

  • 使用周期空间 GAN 学习纹理流形

    本文提出了一种基于生成对抗网络（GAN）的纹理合成新方法，称为周期空间GAN（PSGAN），该方法可以从复杂大型图像数据集中学习多种纹理，生成的样本在结构化噪声空间内可以平滑插值，生成新样本，并可以准确学习周期性纹理，能够灵活处理不同的纹理和图像数据源，可扩展性强，能够生成任意大小的输出图像。

    May, 2017

  • TextureGAN：使用纹理贴片控制深度图像合成

    本文介绍了一种通过草图、颜色和纹理生成深层次图像的方法。通过引入纹理控制来实现用户对输出纹理的控制，我们的生成网络可以学习到如何根据用户的纹理想法生成与之一致的对象，并且在实验中得到了验证。

    Jun, 2017

  • 对抗扩张驱动的非稳态纹理合成

    本文介绍了一种基于生成对抗网络的例子合成方法，用于处理包括空间非同变、不均质等非稳态纹理，实现了大尺度结构的捕捉，其简单的概念性方法极有效，成为解决有挑战性的纹理的无其他现有方法可处理。

    May, 2018

  • 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

  • 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