本文介绍了一种基于生成对抗网络的例子合成方法,用于处理包括空间非同变、不均质等非稳态纹理,实现了大尺度结构的捕捉,其简单的概念性方法极有效,成为解决有挑战性的纹理的无其他现有方法可处理。
May, 2018
在输入多张图像且需要大规模输出的纹理合成问题中,本文基于生成对抗网络提出两个扩展解决方案,一是结合较小分辨率的 GAN 训练产生边界无明显痕迹的大规模纹理地图,二是提供用户界面进行艺术控制,我们的定量和定性结果展示了合成高分辨率地图的成功案例。
Apr, 2019
本文提出了一种使用风格迁移算法来多样化合成图像纹理,然后通过自训练来微调模型以适应目标域纹理的领域自适应方法,以实现更好的语义分割性能。
Mar, 2020
本文提出了一种新颖的自适应纹理过滤机制和具有结构引导增强模块的分层指导统一网络,用以学习领域 - 不变化的广义知识,以实现领域的普适性。在广泛使用的数据集上进行的大量实验和消融研究验证了所提出模型的有效性,并揭示了其优于其他最先进的替代品的优越性。
Mar, 2023
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
本文提出了一种基于深度生成式前馈网络实现的纹理综合方法,具有在一个网络内高效综合不同纹理并进行有意义插值的能力,并通过多项实验证明了提出的模型和技术的有效性和应用前缀。
Mar, 2017
本文提出了一种实例归一化模块代替批量归一化的生成神经网络,以及一种新的学习公式,可以从 Julesz 纹理集中无偏地采样,这两个改进使得图像风格化过程更接近于优化生成,同时保留了速度优势。
Jan, 2017
本文提出了一种基于卷积神经网络的多尺度合成管道,采用直方图损失来综合纹理,改善以前方法中的不稳定性,同时通过集成局部样式损失来提高特征的质量,改善内容和样式的分离,并提供艺术控制,进而获得更高质量、更快收敛和更好的稳定性。
本文提出了一种新颖的纹理合成框架,可以根据 2D 示例图像生成无限高质量的 3D 纹理,通过训练深度神经网络模型进行纹理生成,其中采用了结合样式迁移和生成对抗网络思想的新型损失函数,将分析网络深度特征的 Gram 矩阵与合成网络匹配,同时还提出了两种架构概念和外推策略以提高泛化性能,并通过定量和定性评估以及用户研究证实了其胜于先前最先进模型的性能。
Jun, 2020
本文提出了一种处理非稳定纹理合成的基于示例的方法,通过引入一种新的两步方法,用户首先使用标准图像编辑工具修改参考纹理,得到一个初步的目标合成图,随后采用自我校正的方法,利用预先训练的扩散网络和自注意力机制,渐进地将目标合成图与参考图进行对齐,从而保留所提供目标中的结构,并在非稳定纹理处理上取得了显著的进展。
Jan, 2024