ECCVJul, 2020

BézierSketch：可扩展矢量素描的生成模型

PDF
TL;DR本研究提出了 BezierSketch 作为全矢量、高分辨率的生成模型，采用新颖的逆向图形学方法将每个笔画嵌入到其最佳 Bezier 曲线中。通过使用这个模型，我们成功训练了一个具有更大容量生成长时间草图的递归草图生成器，并且取得了较好的定性和定量结果。
sketch generationneural generative modelsbeziersketchshort sequencehigh-resolution results
发现论文，激发创造
  • Cloud2Curve：参数化草图的生成和矢量化

    本文提出一种基于逆向图形框架的可扩展高分辨率向量素描生成模型 Cloud2Curve，该模型可以使用点云数据进行端到端训练，并具备确定性向量化功能，能够将新颖的栅格或航点素描映射到其相应的高分辨率比赛曲线，我们在 Quick, Draw! 和 K-MNIST 数据集上评估了模型的生成和向量化功能。

    Mar, 2021

  • 素描绘画的神经表示

    该研究介绍了 Sketch-RNN，它是一种基于循环神经网络（RNN）的模型，能够构建常见对象的基于笔画的绘图，并描述了生成矢量格式的连贯笔画绘图的鲁棒性训练方法。

    Apr, 2017

  • 素描视频合成

    我们提出了一种基于优化的框架，用于绘制视频的素描，通过设置初始参数和利用语义损失和 2D 网络的一致性损失进行优化，生成具有卓越视觉抽象和时间连贯性的素描视频，为基于素描的视频编辑和视频涂鸦提供了潜在的应用。

    Nov, 2023

  • Sketch-BERT：从 Transformers 中通过自监督学习学习草图 Gestalt 的双向编码表示

    该研究提出了一种基于 Transformer 的 sketch 领域学习模型 Sketch-BERT，包括新设计的 sketch 嵌入网络和自监督学习的 sketch gestalt，其在 pre-training 和 downstream tasks 中提高了 sketch 识别、检索、以及 gestalt 任务的表现。

    May, 2020

  • 教授 GAN 将草图转换为矢量格式

    本文提出了两种基于深度学习的神经网络架构，SkeGAN 和 VASkeGAN，用于生成矢量格式的手绘素描，并且引入了 Ske-score 度量来评估其质量。经过人类 图灵测试和 Ske-score 评估，验证了这两个模型的生成结果质量较好。

    Apr, 2019

  • Sketchformer：基于 Transformer 的手绘结构表示

    Sketchformer 是一种基于 transformer 的表示方法，用于以矢量形式编码手绘草图，有效地解决了多个任务：草图分类、基于草图的图像检索（SBIR）以及草图的重建和插值，可显著提高复杂草图和长笔画序列的重建和插值表现。

    Feb, 2020

  • Sketch-pix2seq: 生成多种类别的草图模型

    提出了一种改进型的模型，即 sketch-pix2seq 模型，用于学习和生成多类别素描，其中替换了 RNN 编码器为 CNN，从目标函数中删除了 KL 散度，实验表明其性能优于其他模型

    Sep, 2017

  • DiffSketcher：基于潜在扩散模型的文本引导矢量素描综合

    本论文中，我们介绍了一种使用自然语言输入生成矢量手绘素描的创新算法 DiffSketcher，并使用预训练的图像扩散模型进行开发。

    Jun, 2023

  • SketchEmbedNet: 借助模仿图画学习新概念

    通过训练模型产生图像素描，本文探究图像表示的特性，并表明其在 few-shot 学习中具有信息嵌入的能力、结构和复合性。

    Aug, 2020

  • SketchINR: 揭示素描作为隐式神经表示的首次观察

    通过将可变长度的矢量草图压缩为固定维度的潜在空间并将其作为时间和笔画的函数进行隐式编码，我们提出了 SketchINR，可以改进矢量草图的表示。尽管其简单性，SketchINR 在多个任务上优于现有的表示方法。

    Mar, 2024