- 基础模型的有效时机:利用多光谱图像进行像素级分类的适用性研究
基础模型在遥感任务中的适用性取决于自监督学习任务与实际下游任务的一致性,而传统机器学习模型在某些场景下表现得更好,尤其是在纹理不适用于分类的任务中。
- 区域控制的风格转换
我们提出了一种图像风格转化的训练方法,通过使用损失函数来约束不同区域的风格强度,并引入了一种特征融合方法,通过线性转换内容特征来保持其语义关系,该方法在大量实验证明了其有效性。
- 控制艺术图像的几何抽象和纹理
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 - 基于简单自编码器的傅里叶变换法纹理缺陷检测
本研究采用简单的自编码器和傅里叶变换来进行纹理缺陷检测,将傅里叶变换与自编码器重构的模板相结合。通过分析频域以有效地检测纹理缺陷,实验证明了该方法在检测纹理缺陷方面的有效性和准确性,并与现有方法进行了比较。
- 理解片段任意模型:SAM 偏向纹理而不是形状
对比人类视觉主要依赖形状来识别物体,深度图像识别模型被广泛认为存在对纹理的偏见。最近,元研究团队发布了首个图像分割基础模型,称为 Segment Anything Model(SAM),这引起了很大的关注。在本研究中,我们从纹理和形状的角度 - TUVF: 学习可推广的纹理 UV 辐射场
本文研究在给定 3D 模型的情况下生成高保真纹理的问题,提出了一种基于可学习的 UV 球空间的纹理生成模型 TUVF,并将 UV 球空间与辐射场相结合,实现了在纹理控制和编辑方面的实质性改进。
- UVA: 面向视角合成、姿势渲染、几何和纹理编辑的统一体积化身
本文提出了一种新方法,名为 UVA, 用于人体化身重建;该方法实现了对几何形状和纹理的本地和独立编辑,并保持了对新视角和姿态的生成和渲染能力。
- 使用特征对应分析的高保真零样本纹理异常定位
提出了一种基于 1 维 Wasserstein 距离的零样本异常定位方法,通过汇总像素对所有附近补丁的误差贡献,可以更精确地定位纹理中的异常区域,并在多个数据集上验证了该方法,零样本背景下在 MVTec AD 数据集上的错误率降低超过 40 - CVPRRaBit: 使用拓扑一致的数据集对 3D 双足卡通角色进行参数建模
本文介绍了 3DBiCar 和 RaBit,它们分别是首个大规模的 3D 双足卡通人物数据集和相应的参数化模型。基于数据集,RaBit 采用类似 SMPL 的线性融合形状模型和基于 StyleGAN 的神经 UV 纹理生成器,同时表达形状、 - CVPR可控认知因素的交互式卡通化
该研究提出了一种新的卡通化方法,利用纹理和颜色分离的解码器来实现编辑功能并控制生成多样的卡通风格,相比之前的基于端到端翻译的方法在推理时具有更好的品质表现。
- CVPRMagicPony: 在自然场景中学习可动性三维动物
MagicPony 是一种新的方法来从野外单视图图像中学习预测一个关节动物(如马)的 3D 形状、关节、视点、纹理和照明,它将神经场和网格的优势结合在一起,通过蒸馏自监督的 Transformer,并使用新的视点采样方案,为视角估计提供协助 - ECCV形状、质感和颜色在视觉识别中的贡献
本文研究了人类视觉系统(HVS)的三个重要特征(形状,纹理和颜色)对物体分类的贡献,构建了一个人形视觉引擎(HVE),分别从图像中计算形状,纹理和颜色特征,然后将特征向量连接以支持最终分类,并利用 HVE 总结和排序三个特性对目标识别的贡献 - ECCVCLIP 对纹理的理解能力如何?
本研究探讨了 CLIP 在自然语言描述的自然图像中对纹理的理解能力。我们分析了 CLIP 在各种纹理和材质分类数据集上的零样本学习表现,分析了它对 DTDD 数据集上红点或黄色条纹等纹理组成特性的表达能力,以及对通过描述鸟身体部位的颜色和纹 - 通过自监督学习实现视频中一致的 3D 手部重建
提出了一种通过自监督学习从单目视频中重构 3D 手部模型的方法,利用 2D 手部关键点和图像纹理约束进行姿态、形状、纹理、相机视角的估计,达到与全监督方法相似的重构性能,尤其是在视频训练数据下可以显著提高重构精度和一致性。
- CVPR单张图像纹理三维模型的视角推广
本研究介绍了一种模型,可以在降低模型的偏差的同时提高模型的方差,从而解决计算机视觉中物体单视角的外观推理问题,并加入循环一致性损失来提高视角泛化性能以及纹理对齐,与现有的最先进方法相比,我们的方法在定性和定量方面均有所提高。
- ECCVTexMesh:从 RGB-D 视频重建详细的人体纹理和几何形状
TexMesh 是一种利用 RGB-D 视频重建详细的人体网格及高分辨率全身纹理,实现高质量自由视角呈现的新方法。
- ECCV通过带有特征均衡的相互编码器 - 解码器重新思考图像修复
本研究提出了一种互联的编码器 - 解码器卷积神经网络,用于联合填补结构和纹理的空洞区域,其中使用来自编码器深层和浅层的 CNN 特征表示输入图像的结构和纹理,使用双侧传播激活函数实现空间均衡。实验结果表明,所提出的方法对于恢复结构和纹理非常 - 深度图像操作的自动编码器交换
本文介绍了 Swapping Autoencoder 用于图像操作的深度模型,该模型被设计用于控制图像的结构和纹理的交换,以实现纹理交换、局部和全局编辑以及潜在编码矢量算术等多种方式的真实输入图像操作,但与其他生成模型相比更有效,更高效。
- ECCV可变形风格转移
提出了一种基于优化的 “可变形风格转移” 方法,可以联合处理内容图像的几何形状和纹理来更好地匹配风格图像,并且不需要训练一整个匹配的样本数据集。
- 通过 Trunk-Branch 生成对抗网络合成耦合的三维人脸模态
本研究提出了一种新颖的 GAN 方法,可以联合生成面部纹理、形状和法向量信息,用于进行类真实面部合成。同时,我们展示了如何以面部表情为条件生成具有不同表情的面部。