Feb, 2024

可平铺材质纹理的隐式神经表示

PDF
TL;DR我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数，通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此，我们的网络学习了周期模式的连续表示，无需插值即可在任何空间坐标处直接评估。为了强制生成的模式具有可平铺性，我们向损失函数中添加了基于泊松方程的正则化项。我们提出的神经隐式表示方法紧凑且能够在多个细节级别上以高视觉保真度和锐度高效地重建高分辨率纹理。我们在抗锯齿表面领域展示了我们方法的应用。
sinusoidal neural networksfourier seriesperiodic tileable texturesneural implicit representationhigh-resolution textures
发现论文，激发创造
  • 学习图像变形的局部隐式傅里叶表示

    本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。

    Jul, 2022

  • 学习近周期模式的连续隐式表示

    通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。

    Aug, 2022

  • 具有周期性激活函数的隐式神经表示

    提出了一种新的神经网络模型 —— 正弦表示网络，可以用于处理带有细节特征的复杂信号及其导数，可以解决泊松方程、赫姆霍兹方程、波动方程等各种边界值问题，并且可以通过超网络学习 Siren 函数的先验知识。

    Jun, 2020

  • 基于示例的模式合成与隐式周期场网络

    该论文提出了一种基于样本的视觉模式综合框架，使用隐式网络算法 IPFN 来生成满足可扩展性、多样性和真实性的新型图案。

    Apr, 2022

  • 隐式表示函数的局部纹理估计器

    本文通过引入 Local Texture Estimator (LTE) 的方法，使 implicit function 可以在连续的过程中捕捉细节，在 2D Fourier 空间表征图像纹理，达到了显著的图像超分辨率重建性能，并且在运行时间上比以往的方法更高效。

    Nov, 2021

  • 卷积神经网络和频谱约束下的纹理合成

    本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。

    May, 2016

  • 使用周期空间 GAN 学习纹理流形

    本文提出了一种基于生成对抗网络（GAN）的纹理合成新方法，称为周期空间 GAN（PSGAN），该方法可以从复杂大型图像数据集中学习多种纹理，生成的样本在结构化噪声空间内可以平滑插值，生成新样本，并可以准确学习周期性纹理，能够灵活处理不同的纹理和图像数据源，可扩展性强，能够生成任意大小的输出图像。

    May, 2017

  • 利用卷积神经网络进行纹理合成

    介绍了一种基于卷积神经网络特征空间的自然纹理新模型，可生成具有高感知质量的样本，可作为神经科学刺激或深度卷积神经网络学习的新工具。

    May, 2015

  • 用调制周期激活实现可推广的本地功能表示

    本文提出了一种使用双重 Multi-Layer Perceptrons（MLPs）体系结构的信号表示方法，其中合成网络创建了从低维输入到输出域的功能映射，调制网络将目标信号对应的潜在代码映射到调制周期激活的参数，实现了图像、视频和形状的可推广的功能表示，并实现了比单一信号优化的先前工作更高的重建质量。

    Apr, 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