素描绘画的神经表示
该研究提出了一种利用注意力机制和神经网络实现端到端学习的新型 freehand sketching 认知方法,相比于现有技术更加鲁棒和有效,能够在大规模的手绘图像识别竞赛中获得更好的性能表现。
Nov, 2018
本研究提出了一种基于递归神经网络的手绘图形识别架构,通过利用深度草图特征和加权每个时步损失来实现在大量对象类别上的最新结果,尤其适用于在线识别对象。
Aug, 2016
本研究提出了 BezierSketch 作为全矢量、高分辨率的生成模型,采用新颖的逆向图形学方法将每个笔画嵌入到其最佳 Bezier 曲线中。通过使用这个模型,我们成功训练了一个具有更大容量生成长时间草图的递归草图生成器,并且取得了较好的定性和定量结果。
Jul, 2020
通过将可变长度的矢量草图压缩为固定维度的潜在空间并将其作为时间和笔画的函数进行隐式编码,我们提出了 SketchINR,可以改进矢量草图的表示。尽管其简单性,SketchINR 在多个任务上优于现有的表示方法。
Mar, 2024
SketchGNN 是一种卷积图神经网络,用于自由绘制矢量草图的语义分割和标记。SketchGNN 将输入的基于笔画的草图作为图形处理,并使用静态 - 动态分支网络架构和图卷积来提取三个级别的特征:点级别、笔画级别和草图级别,显著提高了图像语义分割的准确性。
Mar, 2020
本文提出了 Deep Recurrent Attentive Writer(DRAW)神经网络架构,用于图像生成。DRAW 网络结合了模仿人眼视觉聚焦的一种新颖空间注意机制,以及允许迭代构建复杂图像的顺序变分自编码框架。该系统在 MNIST 上的生成模型技术上显著改进,并且当在街景房屋数字数据集上进行训练时,生成的图像与真实数据的区别无法用肉眼区分。
Feb, 2015
提出了一种改进型的模型,即 sketch-pix2seq 模型,用于学习和生成多类别素描,其中替换了 RNN 编码器为 CNN,从目标函数中删除了 KL 散度,实验表明其性能优于其他模型
Sep, 2017
本文提出了两种基于深度学习的神经网络架构,SkeGAN 和 VASkeGAN,用于生成矢量格式的手绘素描,并且引入了 Ske-score 度量来评估其质量。经过人类 图灵测试和 Ske-score 评估,验证了这两个模型的生成结果质量较好。
Apr, 2019
Sketchformer 是一种基于 transformer 的表示方法,用于以矢量形式编码手绘草图,有效地解决了多个任务:草图分类、基于草图的图像检索(SBIR)以及草图的重建和插值,可显著提高复杂草图和长笔画序列的重建和插值表现。
Feb, 2020