基于坐标的纹理修复技术用于姿态引导图像生成
本文提出了一种基于单个图像的算法来重新渲染人物在各种姿态下的效果,并通过人体对称先验来学习插画对应关系,使用 StyleGAN 生成器控制外观和姿态,比现有技术表现更好
Sep, 2021
本文提出了一种基于端到端学习策略的方法,利用行人重新识别作为感知度量,生成单张人体图像的纹理贴图,实验结果表明,我们的模型可以从单张图像中生成纹理贴图,并证明我们的纹理比其他可用方法生成的质量更高,我们还将应用范围扩展到其他类别,并探索了我们生成的纹理的可能利用途径。
Apr, 2019
本研究提出了一种新的图像修复方法,结合了神经网络的先验知识和用户的引导,使用自动编码器和语义解码器完成两个阶段,实现对修复结果的自定义控制,实验结果表明该方法在修复质量和可控性方面优于现有方法。
Jan, 2022
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
研究使用表面模型建模、神经综合、稠密姿态估计、生成模型等方法,实现人像姿态转换,获得优于 DeepFashion 和 MVC 数据集上基于标记或字符的替代方案的性能提升。
Sep, 2018
本文提出了一个两阶段模型来解决图像修复中细节和结构重建的问题,第一阶段采用保边平滑图像训练结构重建器,第二阶段基于重构的结构设计纹理生成器来生成图像细节,实验证明该模型表现优异。
Aug, 2019
本研究提出了一种基于循环姿态对齐和梯度引导的方法,可以生成具有真实外观和无瑕疵姿态转移的人物图像。经过广泛的实验证明,该方法能够在复杂场景下生成具有真实感的姿态转移,并且通过人工评测证明了其有效性。
Oct, 2023
本文介绍了一种新的图像修复框架,其将传统的基于块的方法和深度学习网络的优势结合起来,即在深度修复网络中植入来自未遮盖区域的块样本,使用纹理记忆指导纹理生成并进行端到端的训练。同时,引入块分布损失以提高合成块的质量。该方法在三个具有挑战性的数据集上(Places,CelebA-HQ,Paris Street-View)表现出更优秀的性能。
Sep, 2020
本文提出了一种基于端到端网络的图像修复方法,使用不同的图像来引导合成新的内容并填充空洞,并在四项研究中展示了优于七种基线方法的更逼真的图像修复结果。
Mar, 2018