自由手图的深度学习:一项调查
本研究解决了手绘图像自监督表征学习的问题,提出了一种针对手绘图像的特定预处理任务和文本卷积网络的双分支架构,通过在百万级手绘图像数据集上进行的两个应用方法来证明该方法明显优于现有的无监督表征学习方法,并显著缩小了与监督表征学习之间的性能差距。
Feb, 2020
在本文中,我们提出了一种新颖的对抗生成网络,可以准确地生成具有各种风格的逼真手绘草图,并通过定性和定量评估展示了我们在视觉质量、内容准确性和风格模仿方面的优势,其中应用于 SketchIME。
Jan, 2024
通过在 StyleGAN 的潜在空间中学习表示素描并生成医学图像,我们提出了一种实用的自由手绘到图像生成模型(Sketch2MedI)。与其他模型相比,我们的模型在生成咽部图像方面表现出卓越的性能,在各种指标上都具有高质量和逼真的效果。
Feb, 2024
本文提出了第一种基于笔画级别的速写抽象模型,并通过强化学习训练了一个笔画去除策略,该模型能够用于各种速写分析任务,包括建模笔画显著性、合成具有可变抽象度的速写以及使用仅照片训练细粒度速写检索模型。
Apr, 2018
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
通过从用户的自由手绘草图中综合图像分类器,我们通过训练模型回归网络将自由手绘草图空间映射到照片分类器空间,从而实现了新类别的照片分类器的综合。同时,此方法还可以用作现有照片分类器粒度的增强方法,或作为基于名称零样本学习的补充。
Apr, 2018
研究了从手绘草图重建立体物体的挑战,提出了数据生成和标准化机制,并对各种风格的手绘草图进行了广泛实验,进一步增强了草图在交互设计和 VR/AR 游戏等 3D 相关应用中的能力。
Jun, 2020
AR/VR 发展迅速,对 3D 内容需求巨大。本研究提出一种基于手绘草图的 3D 建模方法,使用单个手绘草图生成高保真内容,无需多个视图或步骤。采用端到端方法,引入轻量级生成网络和结构感知对抗训练,并通过 Stroke Enhancement Module(SEM)捕捉结构信息,提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。
Sep, 2023
DeepFacePencil 是一种有效的工具,可以基于新颖的双生成器图像翻译网络和新颖的空间注意池设计来自动处理手绘草图的空间变形并支持不同的笔画风格和不同级别的细节,从而生成逼真的面部图像。
Aug, 2020
深度学习在手写识别领域的现有研究成果进行了调查,尽管深度学习方法在加快速度和提供准确结果方面取得了显著进展,但根据文献综述,目前的研究发现深度学习仍需解决许多挑战,尤其是在数据标注方面存在问题。然而,手写识别研究预见到深度学习将在图像处理、语音识别、计算机视觉、机器翻译、机器人技术与控制、医学影像领域、医学信息处理、生物信息学、自然语言处理、网络安全等多个领域中带来变革。
Apr, 2024