介绍了一种基于卷积神经网络特征空间的自然纹理新模型,可生成具有高感知质量的样本,可作为神经科学刺激或深度卷积神经网络学习的新工具。
May, 2015
本文通过对最近的 CNN-based 描述符进行系统评估和比较,梳理深度卷积神经网络在纹理表示和分类变量不变性方面的性质,并提出了一个可视化的方法来理解这个性质。最后,作者介绍了一个关于纹理分析和合成的参数化模型,可以用于基于属性的图像操作以及图像的纹理化处理。
Nov, 2015
研究表明,随机浅层卷积神经网络的特征空间可以作为自然纹理的模型,可以用于纹理合成算法,并且相较于深层 CNNs 模型,浅层 CNNs 模型具有相当的性能。
May, 2016
本研究提出了一种新的框架,用于学习几何纹理统计知识以生成具备放射性的深层特征,使得可以实现在不同层次上的网格顶点位移及纹理转移。
Jun, 2020
本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成,并实验表明与现有方法相比具有更好的性能。
使用卷积神经网络的特征表示来计算时空统计量,并提出一种参数化的模型,能够合成新的动态纹理样本并预测简单电影中的运动。
Feb, 2017
本文研究了使用深度神经网络对纹理特征重要的图像数据集进行分类的方法,并通过定义手工特征提取的 VC 维来证明手工特征提取是降低异常误差率的有效工具,同时得出了卷积神经网络、Dropout 网络和 Dropconnect 网络的 VC 维上限以及它们异常误差率的关系。此外,本文还利用内在维度概念验证了基于纹理的数据集比手写数字或其他目标识别数据集本质上更高维,因此更难以被神经网络粉碎,同时还从 n 维流形中计算出样本数据的相对对比度随向量空间维度趋于无限大而消失的规律。
本文介绍了一个专门用于探索运动感知的生成模型,将其描述为一种基于随机偏差纹理的高斯分布的随机偏微分方程,该模型可以将运动能量模型转化为一个基于 Bayesian 推断的准则。
本文提出一种利用深度学习的方式,通过在训练阶段来移动计算负担,使用单个纹理样本训练紧凑的前馈卷积网络,可以生成任意大小的同一纹理的多个样本,并将艺术风格从给定图像传输到任何其他图像中,生成的网络轻巧,并且可以比 Gatys 等人的方法快数百倍。
Mar, 2016
本文提出了一种利用神经网络实现纹理插值的方法,通过对重建任务和生成任务同时训练网络,将样例纹理投影到潜空间中进行线性插值,并重投影到图像域中,从而实现直观的控制和逼真的效果;研究显示该方法优于其他方法,并给出了纹理笔刷、纹理溶解和动物杂交等多个应用。
Jan, 2019