此论文介绍了一种从 3D 模型生成线描的学习方法。 在大量的众包比较中进行训练,实验证明该方法在绘制线描方面比现有技术取得了显著的进步,生成的线描与经验丰富的人类艺术家的作品相当。
Mar, 2020
本研究提出了基于手绘草图的突显性检测模型,并构建了一个基于 2D 关注机制的照片 - to - 草图生成模型,该模型可以从图像生成手绘草图,并且在定位显著物体方面表现优异。
Mar, 2023
本研究介绍一种基于草图的物体检测框架,利用基础模型(如 CLIP)和既有的草图模型(如 SBIR)之间的协作来构建高度可推广的草图和照片编码器,并设计一种训练范式来适应对于物体检测,评估结果显示该框架在零样本设置下的表现优于有监督的和弱监督的对象检测器。
使用个性化技术的大型文本到图像(T2I)模型允许用户从参考图像中融入新概念。本文旨在通过探索一种新颖的任务,即草图概念提取,通过两阶段框架 CustomSketching 实现草图概念的提取,以实现基于草图的图像合成和编辑。
Feb, 2024
该论文重新考虑了在形状重建中可能被忽视的 “边界” 线索以及其他已建立的约束条件,并通过多项用户研究和定量任务评估了这些线索相对于彼此的信息量,结果表明这些线索在未来的形状重建研究中提供了很多新的方向。
Dec, 2019
本研究提出了一种基于深度学习的素描系统用于 3D 人脸和漫画建模,它具有省力且自由的手绘界面,并支持基于手势的用户交互。
Jun, 2017
本文针对人类无限制手绘素描建模,尝试将图标式手绘转化为更几何实际的物体轮廓,并分离显著的特征细节,以实现更好的对象匹配,最终提出了一种基于无监督图像风格转移模型的深度 FG-SBIR 模型,通过定量和定性评估,证明了其在风格转移和 FG-SBIR 方面优于现有方法。
Aug, 2018
该研究使用卷积神经网络(CNNs)和基于介轴的轮廓显著性方法对线描图进行场景分类,进一步探讨了卷积神经网络在边缘特征上的表现,并发现介轴轮廓显著性权重可以在 CNNs 处理轮廓时提供额外的信息。
Nov, 2018
该文章提出一种从照片中创建线条图的无配对方法,该方法结合了几何和语义信息并使用了图像翻译和损失函数来创建场景信息和 3D 形状的编码。
Mar, 2022
我们提出了一种数据驱动方法,利用卷积神经网络 (CNN) 从一个或多个涂鸦中学习重建 3D 形状,为用户提供最初的 3D 重建并可以通过应用更新器 CNN 来迭代更新和融合多视角信息,从而实现自由的位图创作和多视角草图建模之间的连续转换。
Jul, 2017