Deep Tiling: Texture Tile Synthesis Using a Deep Learning Approach
University of Ioannina(约阿尼纳大学)
纹理是计算机图形学中的一个基本过程。利用纹理来增强3D场景的可视化结果。在许多情况下,纹理图像不能覆盖大的3D模型表面,因为其分辨率小。常规技术,如重复、镜像重复或边缘夹持,不能产生视觉上可接受的结果。基于深度学习的纹理合成已被证明在这种情况下非常有效。所有尝试创建更大分辨率纹理的深度纹理合成方法都受到GPU内存资源的限制。在本文中,我们提出了一种新的方法来基于示例的纹理合成,通过使用一个强大的深度学习过程来创建类似于输入纹理的结构组件的任意分辨率的瓦片。以这种方式,我们的方法是首先少得多的内存限制,由于一个小尺寸的新的纹理瓦片合成和合并与原始纹理的事实,其次可以很容易地产生一个大的纹理丢失的部分。
2021-03-14 cs.CV cs.GR
TextureGAN: Controlling Deep Image Synthesis with Texture Patches
Georgia Institute of Technology(佐治亚理工学院);Adobe Research(奥多比研究院);UC Berkeley(加州大学伯克利分校);Argo AI(阿尔戈人工智能公司)
本文研究了由草图、颜色和纹理引导的深度图像合成。以前的图像合成方法可以通过草图和颜色笔画来控制,但我们是第一个研究纹理控制的方法。我们允许用户在草图上任意位置和比例放置纹理补丁,以控制所需的输出纹理。我们的生成网络学习合成与这些纹理建议一致的对象。为了实现这一点,我们开发了一个局部纹理损失,除了对抗和内容损失训练生成网络。我们进行实验,使用从真实图像和纹理从一个单独的纹理数据库中采样生成的草图,结果表明,我们提出的算法是能够生成可信的图像,是忠实于用户控制。消融研究表明,我们提出的管道可以生成更逼真的图像比直接适应现有的方法。
2018-04-14 cs.CV cs.GR
3DStyleNet: Creating 3D Shapes with Geometric and Texture Style Variations
NVIDIA(英伟达);University of Toronto(多伦多大学);Vector Institute(向量研究所)
我们提出了一种方法来创建合理的几何和纹理风格变化的3D对象在寻求民主化的3D内容创作。给定一对纹理化的源对象和目标对象,我们的方法预测一个部分感知的仿射变换场,该仿射变换场自然地扭曲源形状以模仿目标的整体几何风格。此外,目标的纹理风格被转移到扭曲的源对象的帮助下,多视图微分渲染器。我们的模型3DStyleNet由两个分两个阶段训练的子网络组成。首先,几何风格网络在大量无纹理的3D形状上进行训练。其次,我们联合优化我们的几何风格网络和预训练的图像风格传输网络,损失定义在几何和结果的渲染上。给定一小部分高质量纹理对象,我们的方法可以创建许多新颖的风格化形状,从而轻松创建3D内容和风格件数据增强。我们展示了我们的方法定性的3D内容风格化,并提供用户研究,以验证我们的结果的质量。此外,我们的方法可以作为一个有价值的工具来创建三维数据增强的计算机视觉任务。广泛的定量分析表明,3DStyleNet优于替代数据增强技术的单图像三维重建的下游任务。
2021-08-30 cs.AI cs.CV cs.GR
Exemplar-Based 3D Portrait Stylization
City University of Hong Kong(香港城市大学);University of Southern California(南加利福尼亚大学);Snap Inc.(Snap公司)
基于范例的肖像风格化具有广泛的吸引力和高度的期望。尽管最近取得了成功,但它仍然具有挑战性,特别是在考虑纹理和几何风格时。在本文中,我们提出了第一个框架一次性三维肖像风格转移,它可以生成三维人脸模型与几何夸张和纹理风格化,同时保持身份从原始内容。它只需要一个任意样式的图像,而不是一个特定样式的训练样本的大集合,提供完全参数化和分离的几何和纹理输出,并使进一步的图形应用与3D表示。该框架包括两个阶段。在第一个几何风格转换阶段,我们使用面部标志平移来捕获粗糙的几何风格,并引导密集的3D人脸几何形状的变形。在第二个纹理风格转换阶段,我们专注于执行风格转换上的规范纹理,采用可微分渲染器优化纹理在多视图框架。实验结果表明,我们的方法取得了良好的效果,不同的艺术风格,并优于现有的方法。我们还通过各种2D和3D图形应用程序证明了我们的方法的优点。项目页面是https://halfjoe.github.io/projs/3DPS/index.html。
2021-04-29 cs.CV cs.GR
Stable and Controllable Neural Texture Synthesis and Style Transfer Using Histogram Losses
Artomatix;University of Virginia(弗吉尼亚大学)
最近,已经提出了通过使用卷积神经网络来执行纹理合成和风格转移的方法(例如Gatys等人[2015,2016])。这些方法是令人兴奋的,因为它们在某些情况下可以创建具有最先进质量的结果。然而,在本文中,我们表明这些方法也有纹理质量,稳定性,必要的参数调整,并缺乏用户控件的限制。本文提出了一种基于卷积神经网络的多尺度合成流水线,以改善这些问题。我们首先给出了一个数学解释的来源,在许多以前的方法不稳定性。然后,我们通过使用直方图损失来合成更好地统计匹配样本的纹理来改善这些不稳定性。我们还展示了如何在我们的多尺度框架中集成本地化的风格损失。这些损失可以提高大型功能的质量,改善内容和样式的分离,并提供艺术控制,如按数字绘制。我们证明,我们的方法提供了更好的质量,收敛在更少的迭代,和更稳定的优化。
2017-02-01 cs.CV cs.GR cs.NE
Transposer: Universal Texture Synthesis Using Feature Maps as Transposed Convolution Filter
NVIDIA(英伟达);UC Berkeley(加州大学伯克利分校)
用于纹理合成的传统CNN由一系列(去)卷积和上/下采样层组成,其中每个层都在本地操作,并且缺乏捕获纹理合成所需的长期结构依赖性的能力。因此,它们通常只是简单地放大输入纹理,而不是执行合理的合成。作为一种妥协,许多最近的方法通过在相同的单个(或固定的一组)纹理图像上进行训练和测试来牺牲可推广性,从而导致对不可见图像的巨大重新训练时间成本。在这项工作中,基于传统纹理合成中的组装/缝合操作类似于转置卷积操作的发现,我们提出了一种新的使用转置卷积操作的方法。具体来说,我们直接将输入纹理的整个编码特征图作为转置卷积滤波器,并将捕获自相关信息的特征的自相似性图作为转置卷积的输入。这样的设计允许我们的框架,一旦训练,是可推广的,以执行合成看不见的纹理与一个单一的前向通过在近实时。我们的方法实现了国家的最先进的纹理合成质量的基础上,各种指标。虽然自相似性有助于保持输入纹理的规则结构模式,但我们的框架还可以将不规则输入纹理的随机噪声映射而不是自相似性映射作为转置卷积输入。它允许获得更多样化的结果,并通过在单次通过中直接采样大噪声贴图来生成任意大的纹理输出。
2020-07-14 cs.CV cs.GR
TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion
Meta;University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Maryland, College Park(马里兰大学帕克分校)
TextureDreamer提出个性化几何感知分数蒸馏(PGSD),仅用3到5张随意拍摄的图像即可将真实环境中的精细可重光照纹理迁移到任意3D物体上,显著超越此前方法。
2024-01-17 cs.CV cs.GR
Non-Stationary Texture Synthesis by Adversarial Expansion
Shenzhen University(深圳大学);Huazhong University of Science & Technology(华中科技大学);The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Tel Aviv University(特拉维夫大学)
提出一种基于GAN的对抗扩展方法,通过训练全卷积生成器将纹理块空间范围扩大一倍,有效解决非平稳纹理合成中捕获大尺度结构等挑战。
2018-05-11 cs.CV cs.GR
GramGAN: Deep 3D Texture Synthesis From 2D Exemplars
ETH Zurich(苏黎世联邦理工学院);CSEM(瑞士电子与微技术中心)
我们提出了一种新的纹理合成框架,使生成无限的,高质量的三维纹理给定的二维样本图像。受自然纹理合成最新进展的启发,我们训练深度神经模型,通过非线性组合学习到的噪声频率来生成纹理。为了实现一个高度现实的输出条件下的样本补丁,我们提出了一个新的损失函数,结合了风格转移和生成对抗网络的想法。特别地,我们训练合成网络以匹配来自一个神经网络的深层特征的Gram矩阵。此外,我们提出了两个架构的概念和外推策略,显着提高泛化性能。特别是,我们通过学习缩放和偏置隐藏的激活,将模型输入和条件注入隐藏的网络层。定量和定性评估的一组不同的范例激励我们的设计决策,并表明我们的系统性能优于以前的最先进的状态。最后,我们进行了用户研究,确认我们的框架的好处。
2020-06-30 cs.CV cs.GR
Paying U-Attention to Textures: Multi-Stage Hourglass Vision Transformer for Universal Texture Synthesis
University of Michigan(密歇根大学);Adobe Research(奥多比研究院)
本文提出U型注意力视觉Transformer,通过分层沙漏主干网络在单次推理中实现通用纹理合成,兼顾全局结构与微观细节,并在随机和结构化纹理上取得更强的2倍合成效果。
2024-08-08 cs.CV cs.GR eess.IV
Deformable Style Transfer
Toyota Technological Institute at Chicago(芝加哥丰田工业大学);University of Chicago(芝加哥大学)
几何图形和纹理都是视觉样式的基本方面。然而,现有的风格转换方法主要集中在纹理上,几乎完全忽略了几何。我们提出了可变形的风格转移(DST),一个基于优化的方法,联合风格化的内容图像的纹理和几何形状,以更好地匹配一个风格的图像。与以前的几何感知风格化方法不同,我们的方法既不限于特定的领域(如人脸),也不需要匹配的样式/内容对的训练集。我们展示了我们的方法在一组不同的内容和风格的图像,包括肖像,动物,物体,场景和绘画。代码已在https://github.com/sunniesuhyoung/DST上公开发布。
2020-07-20 cs.CV cs.GR cs.LG
RoCoTex: A Robust Method for Consistent Texture Synthesis with Diffusion Models
NCSOFT(NCsoft公司);Korea University(高丽大学);Chung-Ang University(中央大学)
本文提出RoCoTex方法,利用SDXL和多个ControlNet扩散模型,结合对称视角合成、区域提示、纹理混合与软修复技术,解决文本到纹理生成中的视角不一致、接缝和网格错位问题,实验证明其优于现有方法。
2024-09-30 cs.CV cs.GR
ProcTex: Consistent and Interactive Text-to-texture Synthesis for Part-based Procedural Models
Brown University(布朗大学)
本文提出ProcTex系统,通过模板纹理合成、稠密对应迁移、新型对应网络及部件级UV生成,为基于部件的程序化模型形状族提供一致、实时且可交互编辑的文本到纹理合成。
2025-10-03 cs.GR eess.IV
AUV-Net: Learning Aligned UV Maps for Texture Transfer and Synthesis
NVIDIA(英伟达);Simon Fraser University(西蒙弗雷泽大学);University of Toronto(多伦多大学);Vector Institute(向量研究所)
在本文中,我们解决了3D形状的纹理表示的问题,具有挑战性和未充分探索的任务,纹理传输和合成。以前的作品要么应用球形纹理映射,这可能会导致大的失真,或使用连续的纹理字段,产生光滑的输出缺乏细节。我们认为,传统的方式表示纹理的图像和链接到一个三维网格通过UV映射是更可取的,因为合成2D图像是一个很好的研究问题。我们提出了AUV-Net,它通过将不同3D形状的相应语义部分映射到UV空间中的相同位置,来学习将3D表面嵌入到2D对齐的UV空间中。因此,纹理跨对象对齐,并且因此可以通过图像的生成模型容易地合成。纹理对齐是在一个简单而有效的纹理对齐模块,从传统的线性子空间学习作品的灵感,在无监督的方式学习。学习的UV映射和对齐的纹理表示使各种应用程序,包括纹理传输,纹理合成,和纹理单视图3D重建。我们在多个数据集上进行实验,以证明我们的方法的有效性。项目页面:https://nv-tlabs.github.io/AUV-NET。
2022-04-06 cs.CV cs.GR cs.LG
Deep Geometric Texture Synthesis
Tel Aviv University(特拉维夫大学)
最近,用于图像生成的深度生成对抗网络发展迅速;然而,只有少量的研究集中在不规则结构的生成模型上,特别是网格。尽管如此,网格生成和合成仍然是计算机图形学中的一个基本课题。在这项工作中,我们提出了一个新的框架合成几何纹理。它从局部邻域(即,局部三角形片)。它学习输入三角剖分面上的深层特征,用于细分和生成跨多个尺度的偏移,而无需参数化参考或目标网格。我们的网络在任何方向上移动网格顶点(即,在法向和切向方向上),从而能够合成几何纹理,这不能由简单的2D位移图来表示。在局部几何面片上进行学习和合成,实现了一个类无关的框架,便于不同类的形状之间的纹理转移。
2020-06-30 cs.CV cs.GR cs.LG
Diffusion-based Holistic Texture Rectification and Synthesis
University of Tsukuba(筑波大学);National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所);Waseda University(早稻田大学)
针对自然图像纹理样本的遮挡与畸变,本文提出带遮挡感知潜在变换器的条件LDM框架,并通过几何变换与自由掩码生成训练数据,实现整体纹理校正与合成。
2023-09-26 cs.CV cs.GR
TileGAN: Synthesis of Large-Scale Non-Homogeneous Textures
KAUST(阿卜杜拉国王科技大学)
我们解决的问题,纹理合成的设置中,许多输入图像,并要求大规模的输出。我们建立在最近的生成对抗网络上,并在本文中提出了两个扩展。首先,我们提出了一种算法来组合在较小分辨率上训练的GANs的输出,以产生几乎没有边界伪影的大规模合理纹理图。其次,我们提出了一个用户界面,使艺术控制。我们的定量和定性结果展示了合成的高分辨率地图的生成,包括高达数百万像素的一个例子。
2019-04-29 cs.AI cs.CV cs.GR
Perspective Texture Synthesis Based on Improved Energy Optimization
Institute of Space Technology(空间技术研究院);Pakistan Space and Upper Atmosphere Research Commission (SUPARCO)(巴基斯坦空间与上层大气研究委员会);University of Karachi(卡拉奇大学)
透视纹理合成在视频编辑、场景捕捉等领域具有重要意义,这是由于其读取和控制全局特征信息的能力。在本文中,我们提出了一种新的基于实例的,特别是基于能量优化的算法,合成透视纹理。能量优化技术是一种基于像素的方法,因此它是耗时的。我们从两个方面进行了改进,以达到更快的合成速度和更高的质量。首先,我们改变这种基于像素的技术,用一个小补丁代替像素计算。其次,我们提出了一种新的技术,以加快搜索最近的邻居在能量优化。利用k-均值聚类技术建立搜索树,加快搜索速度.因此,我们利用主成分分析(PCA)技术来减少输入向量的维数。高质量的结果证明了我们的方法是可行的。此外,我们提出的算法需要更短的时间相对于其他类似的方法。
2020-06-21 cs.CV cs.GR
Paint-it: Text-to-Texture Synthesis via Deep Convolutional Texture Map Optimization and Physically-Based Rendering
University of Tübingen(蒂宾根大学);Tübingen AI Center(蒂宾根人工智能中心);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);POSTECH(浦项科技大学);Institute for Convergence Research and Education in Advanced Technology, Yonsei University(延世大学尖端技术融合研究与教育学院)
Paint-it提出基于深度卷积PBR参数化的文本驱动纹理优化方法,利用SDS在15分钟内为3D网格生成高质量PBR纹理图,有效滤除噪声并支持大规模网格及重新光照等应用。
2024-05-07 cs.AI cs.CV cs.GR
Consistent Zero-shot 3D Texture Synthesis Using Geometry-aware Diffusion and Temporal Video Models
Department of Image, Chung-Ang University(Chung-Ang大学图像系);Graphics AI Lab, NCSOFT(NCSOFT图形AI实验室);Department of Computer Science, University of Seoul(首尔大学计算机科学系)
提出VideoTex框架,利用视频生成模型和几何感知条件解决3D纹理合成中的时空不一致问题,通过结构级UV扩散策略提升遮挡区域生成质量,实现高保真且时空稳定的纹理合成。
2025-06-26 cs.AI cs.CV cs.GR
SeamlessGAN: Self-Supervised Synthesis of Tileable Texture Maps
SEDDI(SEDDI 公司);Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Universidad Rey Juan Carlos(胡安·卡洛斯国王大学)
我们提出了一种能够从单个输入样本自动生成可平铺纹理图的方法。与大多数现有的方法,只专注于解决综合问题,我们的工作解决这两个问题,合成和平铺性,同时。我们的关键思想是认识到,在使用对抗扩展技术训练的生成网络中平铺潜在空间会在接缝交叉点处产生连续性输出,然后可以通过裁剪中心区域将其转换为可平铺图像。由于不是潜在空间的每个值都能有效地产生高质量的输出,因此我们利用该值作为感知误差度量,能够在采样过程中识别无伪影的纹理。此外,与以前的工作相比,深度纹理合成,我们的模型的设计和优化工作与多层纹理表示,使纹理组成的多个地图,如纹理,法线等,我们广泛测试我们的设计选择的网络架构,损失函数和采样参数。我们定性和定量地表明,我们的方法优于以前的方法,适用于不同类型的纹理。
2022-01-13 cs.CV cs.GR cs.LG
By-Example Synthesis of Vector Textures
Carleton University(卡尔顿大学)
本文提出一种从单个栅格示例合成任意大小矢量纹理的新方法,通过分割提取纹理基元、聚类、邻域描述符及梯度场调整,实现高质量合成,并用感知度量评估。
2025-01-23 cs.CV cs.GR
Denoising Diffusion Probabilistic Models for Styled Walking Synthesis
Durham University(杜伦大学)
对于许多图形应用程序来说,为数字人生成逼真的运动是耗时的。近年来,数据驱动的运动合成方法通过深度生成模型取得了坚实的进展。这些结果提供了高质量的运动,但通常在运动风格的多样性受到影响。我们首次提出了一个框架,使用去噪扩散概率模型(DDPM)来合成风格化的人体运动,将两个任务集成到一个管道中,与传统的运动合成方法相比,增加了风格的多样性。实验结果表明,我们的系统可以生成高质量和多样化的步行运动。
2022-09-29 cs.AI cs.CV cs.GR
Imitating Arbitrary Talking Style for Realistic Audio-DrivenTalking Face Synthesis
Tsinghua University(清华大学);HiSilicon Company(海思公司)
人们说话的方式多种多样。对于同一篇演讲,不同的谈话风格表现出显着差异的面部和头部姿势的运动。例如,“激动”的风格通常说话时张大嘴巴,而“庄严”的风格则更规范,很少表现出夸张的动作。由于不同风格之间的巨大差异,有必要将说话风格纳入音频驱动的说话人脸合成框架。在本文中,我们提出了注入风格到说话的脸合成框架,通过模仿任意说话风格的特定参考视频。具体而言,我们系统地研究了我们收集的\textit{Ted-HD}数据集的谈话风格和构造风格代码作为三维变形模型~(3DMM)参数的几个统计量。之后,我们设计了一个潜在风格融合(LSF)模型,通过模仿风格码的说话风格来合成风格化的说话人脸。我们强调了我们的框架的以下新特性:(1)它不需要任何风格的注释,说话风格是在一个无监督的方式从说话视频在野外学习。(2)它可以从任意视频中模仿任意样式,并且样式代码也可以插值以生成新的样式。大量的实验表明,所提出的框架有能力合成更自然,更有表现力的说话风格相比,基线方法。
2021-10-30 cs.CV cs.GR cs.MM
DyNCA: Real-time Dynamic Texture Synthesis Using Neural Cellular Automata
School of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学学院)
提出DyNCA框架,基于NCA模型实现实时、可控的动态纹理合成,支持无限长任意尺寸视频,性能提升2-4个数量级,并提供运动速度、方向和画笔等实时控制功能。
2023-03-30 cs.CV cs.GR cs.LG
Neural Texture Splatting: Expressive 3D Gaussian Splatting for View Synthesis, Geometry, and Dynamic Reconstruction
ETH Zurich(苏黎世联邦理工学院)
本文提出神经纹理散射方法,通过全局神经场提升3D高斯散射在视图合成、几何和动态重建中的性能。
2025-11-24 cs.CV cs.GR
Self-Supervised Geometry-Aware Encoder for Style-Based 3D GAN Inversion
Nanyang Technological University(南洋理工大学);Shanghai AI Laboratory(上海人工智能实验室)
StyleGAN通过图像反转和潜在编辑在2D人脸重建和语义编辑方面取得了很大进展。虽然已经出现了将2D StyleGAN扩展到3D人脸的研究,但是仍然缺少相应的通用3D GAN反演框架,限制了3D人脸重建和语义编辑的应用。在本文中,我们研究了三维GAN反演的挑战性问题,其中潜在的代码是预测给定的单个人脸图像,忠实地恢复其三维形状和详细的纹理。这个问题是不适定的:无数的形状和纹理组合可以渲染到当前图像。此外,由于全局潜在代码的有限容量,当应用于3D模型时,2D反演方法不能同时保持忠实的形状和纹理。为了解决这个问题,我们设计了一个有效的自我训练计划,以限制学习的反演。学习是在没有任何真实世界的2D-3D训练对的情况下有效地完成的,而是从3D GAN生成的代理样本。此外,除了捕获粗糙形状和纹理信息的全局潜在代码之外,我们还使用局部分支来增强生成网络,其中添加了像素对齐特征以忠实地重建面部细节。我们进一步考虑了一个新的管道来执行3D视图一致性编辑。大量的实验表明,我们的方法优于国家的最先进的反演方法在形状和纹理重建质量。代码和数据将被释放。
2022-12-15 cs.AI cs.CV cs.GR
On Demand Solid Texture Synthesis Using Deep 3D Networks
Polytechnique Montréal(蒙特利尔综合理工学院);Normandie Univ.(诺曼底大学);UniCaen(卡昂大学);ENSICAEN(卡昂高等工程师学院);CNRS(法国国家科学研究中心);GREYC(GREYC实验室);Institut Denis Poisson(德尼·泊松研究所);Université d’Orléans(奥尔良大学);Université de Tours(图尔大学)
本文介绍了一种新的方法,按需体积纹理合成的基础上的深度学习框架,允许生成高质量的3D数据的交互速率。基于纹理的一些示例图像,训练生成网络来合成任意大小的实体纹理的相干部分,这些相干部分沿着某些方向再现示例的视觉特征。为了应对GPU上的高分辨率和3D处理所固有的内存限制和计算复杂性,在训练阶段仅生成称为“切片”的2D纹理。这些合成纹理通过基于预先训练的深度网络的感知损失函数与示例图像进行比较。所提出的网络非常轻(小于100k参数),因此它只需要可持续的训练(即几个小时),并且能够在单个GPU上非常快速地生成(对于$256^3$体素,大约一秒)。与空间种子PRNG集成,所提出的生成器网络直接返回给定一组3D坐标的RGB值。合成的体积具有良好的视觉效果,至少相当于最先进的基于补丁的方法。它们自然是无缝拼接的,可以完全并行生成。
2020-01-13 cs.GR cs.LG eess.IV
Unifying Human Motion Synthesis and Style Transfer with Denoising Diffusion Probabilistic Models
Durham University(杜伦大学)
数字人的真实感运动生成是计算机动画和游戏的核心,但具有挑战性的一部分,因为人类的运动内容多样,风格丰富。虽然最新的深度学习方法在这一领域取得了重大进展,但它们大多将运动合成和风格操作视为两个独立的问题。这主要是由于在一个共同的表示中有效地学习解释类间行为的运动内容和解释类内行为的风格的挑战。为了解决这个问题,我们提出了一个去噪扩散概率模型解决方案风格化的运动合成。由于扩散模型具有注入随机性带来的高容量,我们可以在同一个潜伏期中表示类间运动内容和类内风格行为。这导致了一个集成的、端到端的训练管道,有助于生成最佳运动和探索内容风格的耦合潜在空间。为了实现高质量的结果,我们设计了一个多任务架构的扩散模型,战略性地产生方面的人体运动的局部指导。我们还为全球指导设计对抗性和物理性法规。我们展示了卓越的性能与定量和定性的结果,并验证了我们的多任务架构的有效性。
2022-12-16 cs.AI cs.CV cs.GR
TexTile: A Differentiable Metric for Texture Tileability
Universidad Rey Juan Carlos(胡安·卡洛斯国王大学);SEDDI
提出 TexTile,一种基于二分类器的可微度量,通过架构修改与数据增强准确量化纹理可平铺性,可集成至现有合成方法并客观评估其性能。
2024-03-19 cs.AI cs.CV cs.GR