May, 2019

烟雾模拟的基于传输的神经风格迁移

PDF
TL;DR本文提出了一种基于传输的神经风格迁移算法，可用于体状烟雾数据。采用优化技术近似仿真状态，从而使得自然图像的特征可以转移到烟雾模拟图像中，实现了从简单图案到复杂结构的通用内容感知操纵，通过控制升降运算和无旋动能势可以实现传输引起的风格化速度场的直接控制，最终生成的 3D 重建图像可无缝地合并不同摄像机视角的风格化效果。
fluid controloptimization techniquesneural style transfersmoke simulationstemporal consistency
发现论文，激发创造
  • 神经元邻居风格迁移

    本文介绍了神经邻域风格迁移（NNST）方法，通过替换从风格示例图像中提取的神经特征，以及基于这些重新排列的特征合成最终输出，从而显著提高了最终视觉质量。

    Mar, 2022

  • 计算机游戏的神经风格迁移

    将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效，通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果，优于最先进的图像和视频神经风格迁移方法。

    Nov, 2023

  • 使用直方图损失实现稳定可控的神经纹理合成和风格迁移

    本文提出了一种基于卷积神经网络的多尺度合成管道，采用直方图损失来综合纹理，改善以前方法中的不稳定性，同时通过集成局部样式损失来提高特征的质量，改善内容和样式的分离，并提供艺术控制，进而获得更高质量、更快收敛和更好的稳定性。

    Jan, 2017

  • 基于 CNN 特征描述符的烟雾流数据驱动合成

    本研究提出了一种新的数据驱动算法来综合高分辨率流动模拟，并利用可重复使用的空间时间流数据仓库。

    May, 2017

  • 流体的拉格朗日神经风格转移

    本文提出了一种基于神经风格迁移的方法，从图像到 3D 流体的 Lagrangian 视点实现流体模拟的形状，运动和外观的艺术化控制，使用基于粒子的风格转移具有独特优势，同时确保了时间上的一致性和提高了其结果的质量，此外，Lagrangian 表示法提高了艺术控制并实现了多流体风格化，通用性使方法同样适用于烟雾和液体的风格化。

    May, 2020

  • DIFF-NST：用于可塑性神经风格迁移的扩散交错

    神经风格迁移（NST）是将神经技术应用于修改内容图像的艺术外观以匹配参考样式图像的研究领域。我们提出使用基于扩散模型的新类模型来执行风格迁移并实现可变形式的风格迁移，展示了如何在推理时利用这些模型的先验知识，探索了该领域新方向的研究成果。

    Jul, 2023

  • 神经风格迁移：综述

    本文概述了当前神经风格转移研究的进展，提供了当前算法的分类方法及几种评估方法，对不同 NST 算法进行了定性和定量比较，最后讨论了 NST 的多种应用和未来研究的开放问题。

    May, 2017

  • 实时本地化光真实视频风格转换

    本文提出了一种基于深度神经网络的算法，通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域，同时保持其照片般的逼真性，并通过噪声和时间损失来优化视频的语义标签和平滑转换风格，最终实现一种能够自动生成视觉媒体的风格迁移方法。

    Oct, 2020

  • 用深度强化学习控制神经风格迁移

    基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

    Sep, 2023

  • 交互式控制视频流风格化时的时间一致性

    该论文提出了一种使用轻量级光流网络进行视频风格化的方法，可以实现交互式一致性控制和时域一致性，同时支持各种图像处理滤镜。经过客观和主观评价，该方法优于现有的最佳方法。

    Jan, 2023