Fourier-CPPN在图像合成中的应用
Fourier-CPPNs for Image Synthesis
摘要：
组成图案产生网络（CPPN）是独立地将（x，y）像素坐标映射到（r，g，b）颜色值的可微分网络。最近，CPPN已被用于出于创造性目的创建有趣的图像，例如，然而，它们的架构偏见产生的图像过于平滑，缺乏高频细节。在这项工作中，我们扩展CPPN明确建模的频率信息，为每个像素输出，捕捉频率超过直流分量。我们表明，我们的傅立叶CPPN（F-CPPN）提供了改进的视觉细节的图像合成。
英文摘要：
Compositional Pattern Producing Networks (CPPNs) are differentiable networks that independently map (x, y) pixel coordinates to (r, g, b) colour values. Recently, CPPNs have been used for creating interesting imagery for creative purposes, e.g., neural art. However their architecture biases generated images to be overly smooth, lacking high-frequency detail. In this work, we extend CPPNs to explicitly model the frequency information for each pixel output, capturing frequencies beyond the DC component. We show that our Fourier-CPPNs (F-CPPNs) provide improved visual detail for image synthesis.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
