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
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
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
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
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
利用纹理损失实现高质量图像重建并优化感知质量。使用语义导向的纹理约束方法,使用深度特征来捕获图像的感知质量,进一步提高结果。
Jul, 2018
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。
该研究提出了一种新的双流网络方法,能够模拟结构约束纹理合成和纹理引导结构重构,并且通过 Bi-directional Gated Feature Fusion 模块和 Contextual Feature Aggregation 模块实现更好的全局一致性和多尺度特征聚合,定量和定性实验证明了该方法的优越性。
Aug, 2021
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
该篇论文提出一种基于卷积网络的像素优化方法,在此基础上将梯度下降转化为递归算法,并使用生成式对抗网络进行训练,生成高质量图像,并提出一种生成器与判别器间的量化比较方法。
Feb, 2016