TL;DR本论文提出了 Fourier-CPPNs(F-CPPNs),并将其用于创造性的目的,例如神经美术。F-CPPNs 以像素输出的频率信息为特征,明确地模型化频率信息,捕获 DC 分量以外的频率,为图像合成提供了改进的视觉细节。
Abstract
compositional pattern producing networks (CPPNs) are differentiable networks
that independently map (x, y) pixel coordinates to (r, g, b) colour values.
Recently, CPPNs have been used for creating interesting ima
我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数,通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此,我们的网络学习了周期模式的连续表示,无需插值即可在任何空间坐标处直接评估。为了强制生成的模式具有可平铺性,我们向损失函数中添加了基于泊松方程的正则化项。我们提出的神经隐式表示方法紧凑且能够在多个细节级别上以高视觉保真度和锐度高效地重建高分辨率纹理。我们在抗锯齿表面领域展示了我们方法的应用。