Nov, 2020

深度图像合成

PDF
TL;DR该论文介绍了一种利用前景和背景图片的上下文和颜色信息进行端到端优化并采用自学习策略来训练的，能够自动生成高质量图像合成的新方法，该方法基于拉普拉斯金字塔融合，提出了一种密集的多流融合网络，并在易于复杂的情况下进行渐进式训练，其在定性和定量上均优于现有方法。
image compositingautomatic generationdense-connected multi-stream fusion networkend-to-end optimizationself-taught strategy
发现论文，激发创造
  • 深度图像融合

    该论文提出了一种用于图像融合的端到端深度卷积神经网络，通过收集大规模高质量的训练数据，能够更好地捕捉复合图像的背景和前景的上下文和语义信息，实验表明，所提出的网络优于以往的方法。

    Feb, 2017

  • 何人在何处？自动语义感知人物合成

    本文提出了一种全自动的合成模型，该模型能够学习选择和转换符合背景的前景图像，在人体实例合成方面，其结果在视觉上表现令人满意。

    Jun, 2017

  • DreamCom: 文本引导修复式图像合成模型微调

    图像合成的目标是将前景对象与背景图像合并以获取逼真的合成图像。最近，基于大型预训练扩散模型的生成式合成方法由于其前所未有的图像生成能力而得到发展。然而，生成的结果往往会丢失前景细节并出现明显的伪影。在本文中，我们提出了一种名为 DreamCom 的尴尬简单方法，灵感来自 DreamBooth。具体来说，给定一个主题的几个参考图像，我们通过微调文本导向修复扩散模型来将该主题与特殊标记相关联，并在指定的边界框内修复该主题。我们还构建了一个专门为此任务设计的新数据集 MureCom。

    Sep, 2023

  • 深度图像融合

    提出了使用 Poisson 混合损失函数结合深度学习中的风格和内容损失函数，使用 L-BFGS 迭代求解器对图像进行优化，既满足了图像混合过渡自然性和良好的纹理一致性，又能更好的应用于真实图像和油画等情况。

    Oct, 2019

  • ControlCom：使用扩散模型进行可控图像合成

    通过使用大规模预训练的扩散模型，我们提出了一种可控的图像合成方法，将图像混合、图像协调、视角综合和生成式合成统一为一个扩散模型，同时设计了一个自监督训练框架和一个定制化的训练数据准备方法，并通过局部增强模块提高合成图像中前景细节的保真性。我们的方法在公共基准和实际数据上进行了评估，结果表明我们的方法比现有方法能够生成更加忠实和可控的合成图像。

    Aug, 2023

  • 深度图像抠图

    本文提出一种基于深度学习的图像抠图算法，使用深度卷积编码器 - 解码器网络和卷积网络相结合，提高了前景和背景颜色相似或纹理复杂的图像抠图效果，并生成了一个大规模的图像抠图数据集，实验结果表明该算法优于之前的方法。

    Mar, 2017

  • 深度图像抠图：综合调查

    本论文综述了深度学习时代中图像抠图的最新进展及其在自动和人工辅助下的任务和网络结构，评估了代表性抠图方法的性能，并讨论了应用和挑战，同时维护了一个公共资源库来跟踪深度图像抠图的快速发展。

    Apr, 2023

  • PrimeComposer：基于注意力引导的图像合成的快速逐步组合扩散

    本论文提出了 PrimeComposer，一种快速训练无关的扩散器，通过在不同噪声水平上精心设计的注意力引导来组合图像。该方法主要通过使用我们的关联扩散器，在每个步骤上利用其自注意层来实现。我们的方法在前景生成、合成质量和推理效率方面都表现出卓越的优势。

    Mar, 2024

  • 连接复合与真实：朝向端到端的深度图像抠图

    本文提出了一种新颖的前景抠图模型 GFM，采用了共享编码器和两个独立解码器，在高级语义分割和低级细节抠图之间分别进行学习，以实现自然图像的端到端抠图。同时，我们通过对合成图像和真实世界图像之间的区别进行了系统的分析，提出了一种 RSSN 组合路径，以便更好地提高模型的泛化能力。实验结果表明，GFM 模型在真实世界图像上的泛化性能得到了有效提高。

    Oct, 2020

  • 现实场景中复合图像的阴影生成

    本论文针对复合图像生成中前景物体与背景的阴影效果问题，提出了一个新的阴影生成方法 SGRNet，并构建了一个真实世界阴影生成数据集 DESOBA 来验证该方法的有效性。

    Apr, 2021