Jul, 2023

控制艺术图像的几何抽象和纹理

PDF
TL;DR我们提出了一种新颖的方法，用于艺术图像中几何抽象和纹理的交互控制。通过空间分解输入图像的形状和高频细节的参数化表示，实现对颜色和纹理的独立控制。所提出的形状和纹理的解耦使得可以进行多种风格编辑，包括形状、笔触和绘画属性等的全局和局部互动调整。此外，我们还展示了在参数空间中使用参考图像和文本提示进行基于优化的纹理风格迁移，以及用于实时纹理分解的单一和任意风格参数预测网络的训练。
发现论文，激发创造
  • TextureGAN：使用纹理贴片控制深度图像合成

    本文介绍了一种通过草图、颜色和纹理生成深层次图像的方法。通过引入纹理控制来实现用户对输出纹理的控制，我们的生成网络可以学习到如何根据用户的纹理想法生成与之一致的对象，并且在实验中得到了验证。

    Jun, 2017

  • 通过形状匹配 GAN 实现可控艺术文本风格转移

    本文介绍了一种基于双向形状匹配框架的文本风格转移网络，该网络允许通过可调参数对字形的关键风格程度进行实时控制，这种方法能够持续表征样式图像的多尺度形状特征并将这些特征传递到目标文本中，有效地解决了文本风格转移中控制样式形变的问题，达到了比先前技术更好的效果。

    May, 2019

  • 深度油画融合

    该论文介绍了一种改善将照片元素复制粘贴到绘画中的方法，可以提高局部细节、色彩和大小的一致性，实现更好的画面质量。

    Apr, 2018

  • 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

  • 神经风格转换中的感知因素控制

    本研究拓展了传统的神经风格迁移方法，引入了对空间位置、颜色信息和空间尺度的控制，从而增强了方法的适用性并允许了高分辨率的控制风格化。通过分解风格因素，我们实现了来自多个源的风格信息的组合，这可以用于生成新的感性吸引力样式。最后，我们展示了我们所提出的控制措施如何应用于快速神经风格迁移方法。

    Nov, 2016

  • 深度几何纹理合成

    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

  • 3DStyleNet：以几何和纹理风格变化创建 3D 形状

    该研究提出了一种创建三维内容、进行几何和贴图风格变化的方法，借助预先训练的图像样式转换网络和自己的几何样式网络，可实现数据增强与单图像 3D 重构任务。

    Aug, 2021

  • 组合神经材质

    使用组合神经模型全自动地表示纹理，通过编辑高斯文本在潜在空间中修改纹理，实现了纹理分析、建模和编辑的新技术，拓展了可控纹理的视觉吸引力图像的创作可能性。

    Apr, 2024

  • 基于样例的 3D 人像风格化

    本文介绍了一个用于一次性 3D 肖像样式转移的框架，可以在仅需要一幅不同样式图像的情况下，生成具有几何和纹理风格的 3D 面部模型，而不是一整套相关样例。本文探索了两个阶段，以利用三位面部关键点转换来捕捉粗略的几何样式，并利用差分渲染器，在多视角框架下 对规范纹理进行样式转移。实验表明，我们的方法在不同的艺术风格上取得了稳健的结果，并优于现有的方法。

    Apr, 2021