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
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
本研究提出了一种新型的卷积神经网络,即小波卷积神经网络,将频域分析与卷积神经网络相结合,并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好,且参数数量更少,易于训练。
Jul, 2017
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
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
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