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
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
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
本研究提出了一个框架,该框架将多种基于纹理的技术与 CNN 主干结合起来,以提取与图像纹理相关联的最相关特征,使模型可以以自我选择的方式进行训练,并在几个基准数据集上展现了最新的成果。
Jun, 2022
该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法,利用卷积神经网络实现前馈学习与对抗训练相结合,取得了高效、有效的成果。
Dec, 2016
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。
通过形状增强反转和全控反转的两阶段方法,在例子为基础的素描到照片合成中生成逼真的彩色和纹理的照片。
Aug, 2023
文中介绍一种高计算效率的生成 2D 和 3D 自然纹理的深度学习方法,可用于纹理插值和从 2D 纹理中学习 3D 纹理。
Dec, 2019
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