AAAIDec, 2021

纹理改革者：快速通用交互纹理转移

PDF
TL;DR通过使用全新的前向多视图和多阶段合成过程以及语义地图引导策略，提出了一种快速而通用的交互式纹理转移的神经网络框架，从而在粗到细的方式下合成高质量的结果，同时保留了结构和纹理的细节和连贯性，并且相较于交互式纹理转移算法，不仅能够获得更高质量的结果，而且速度也提高了 2-5 个数量级。
texture transferneural-based frameworkmulti-view synthesissemantic guidanceexecution efficiency
发现论文，激发创造
  • TextureDreamer：基于几何感知扩散的图像引导纹理合成

    TextureDreamer 是一种新颖的图像引导纹理合成方法，能够将可在任何类别的目标 3D 形状上转移到少量输入图像（3 到 5 张）中的纹理。

    Jan, 2024

  • 基于 PatchMatch 和 Transformers 的动态纹理转换

    通过 PatchMatch 和 Transformers 模型将动态纹理从视频传递到静态图像的简单而有效的方法。首先，使用基于 PatchMatch 算法的距离映射引导纹理传递模块合成目标视频的起始帧。然后，将合成图像分解为与其对应的结构无关的补丁，利用配备有 VQ-VAE 的 Transformers 处理长离散序列来预测后续补丁。最后，应用高斯加权平均合并策略将所有补丁平滑地组装成目标风格化视频的每一帧，实验证明了该方法在动态纹理传递方面的有效性和优越性。

    Feb, 2024

  • 学习纹理转换网络用于图像超分辨率

    本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

    Jun, 2020

  • TexDreamer：面向零样本高保真 3D 人体纹理生成

    利用 TexDreamer 模型，我们通过有效的纹理自适应微调策略将大型文本到图像模型转化成语义化 UV 结构，在保留其原始泛化能力的同时，能够在数秒内生成高保真度的 3D 人体纹理。此外，我们还介绍了包含 50k 高保真度的纹理及文本描述的 ATLAS 高分辨率 3D 人体纹理数据集。

    Mar, 2024

  • 使用 Transformer 从单张图像中估计三维人体纹理

    本文提出了一种基于 Transformer 的框架，用于从单张图像中进行三维人体纹理估计，并通过 mask-fusion 策略和 part-style loss 来提高图像质量，实验结果表明该方法在 3D 人体纹理估计方面优于现有方法。

    Sep, 2021

  • 3DTextureTransformer：对任意网格拓扑进行几何感知纹理生成

    使用名为 3DTextureTransformer 的新颖框架，结合几何深度学习和 StyleGAN 类似的架构，能够在不改变原始高分辨率输入网格拓扑的情况下生成高质量的纹理。该架构在学习来自 3D 几何体和现实世界 2D 图像的情况下，与任意网格拓扑一起工作，取得了该类解决方案中的最新性能。

    Mar, 2024

  • 纹理混合器：一种可控的纹理综合和插值网络

    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

  • AUV-Net: 学习对齐 UV 贴图用于纹理迁移和合成

    本文针对 3D 形状的纹理表达问题，提出了基于 2D 对齐 UV 映射的 AUV-Net 方法来实现纹理表达对齐，进而方便实现纹理传输、合成和重建。

    Apr, 2022

  • 面向详细人物图像合成的区域自适应纹理增强

    本文介绍了 RATE-Net，一个用于合成具有纹理细节的人物图像的新型架构，通过加入纹理增强模块来提取额外的外观信息，并估计一份细粒度残差纹理地图来改善姿势转移模块的估计结果。

    May, 2020

  • 基于特征转换的通用风格迁移

    本論文提出了一種簡單而有效的方法，使用特徵轉換技術：白化和著色，實現了通用風格轉換，以轉換任意視覺風格並生成高質量的風格圖像。

    May, 2017