关键词painterly image harmonization
搜索结果 - 7
- 无训练和提示的通用绘画调和 —— 基于图像注意力共享的方法
无需训练和提示的综合画家感知融合方法通过利用图像间注意力共享,重新定义自注意机制并跨图像信息跟踪与提升性能,同时提出新的综合画家感知融合基准测评方法,实验证明了其在多个基准测试中的优越性能。
- AAAI从画家的作品中学习的绘画图像和谐化
在这项研究中,我们探索了从艺术画中学习绘画图像的目标样式,以实现绘画图像的协调处理。通过学习背景风格和对象信息到对象样式的映射,我们能够生成目标风格的复合对象,进而协调编码器特征图并生成协调图像。对基准数据集的广泛实验验证了我们提出的方法的 - AAAI从低级风格到高级风格的渐进式绘画影像融合
绘画风格图像协调网络通过渐进的多阶段协调网络,从低级样式(如颜色、简单纹理)到高级样式(如复杂纹理),将摄影前景对象与绘画背景协调起来,并通过早期退出策略自动决定适当的退出阶段,以提高解释性和协调性能。在基准数据集上进行的大量实验证明了渐进 - FreePIH:无需训练的画家风格图像和谐化与扩散模型
提供了高效的无需训练的画家式图像协调(PIH)方法,称为 FreePIH,仅利用预训练的扩散模型实现最先进的协调结果。通过将降噪过程作为插件模块应用于前景图像的风格转移,以直接基于降噪实现协调,结合多尺度特征来保证协调图像的忠实度,并提高生 - 画家式图像融合通过敌对残差学习
我们使用对抗学习来弥合前景特征图和背景特征图之间的领域差异,实现了更和谐、视觉上更具吸引力的结果。
- MM使用扩散模型进行绘画图像协调
我们提出了一个新颖的 Painterly Harmonization stable Diffusion model (PHDiffusion),通过自适应编码器和双编码器融合模块,实现了更好地插入摄影物体到绘画中并获得艺术上一致的复合图像, - AAAI双域绘画风格图像融合
该研究提出了一种新颖的画风图像融合网络,由双域生成器和双域判别器组成,通过在空间域和频率域中使用 AdaIN 模块和 ResFFT 模块,进行融合并在拒绝感知机制中优化结果,在基准数据集上进行了广泛的实验并表明了该方法的有效性。