AttentionPainter：一种高效且自适应的场景绘画笔画预测器
计算机视觉与模式识别
2024-10-28 v2
摘要
基于笔画的渲染（SBR）旨在将输入图像分解为一系列参数化的笔画，这些笔画可以渲染成一幅与输入图像相似的绘画。近年来，利用深度学习和强化学习模型预测笔画序列的神经绘画方法已被开发出来，但存在推理时间较长或训练不稳定的问题。为了解决这些问题，我们提出了AttentionPainter，一种用于单步神经绘画的高效且自适应的模型。首先，我们提出了一种新颖的可扩展笔画预测器，它在前向过程中一次性预测大量笔画参数，而不是像之前的强化学习或自回归方法那样进行迭代预测，这使得AttentionPainter比之前的神经绘画方法更快。为了进一步提高训练效率，我们提出了一种快速笔画堆叠算法，可将训练加速13倍。最后，我们提出了一种新的笔画扩散模型，用于条件和非条件的基于笔画的生成，该模型在笔画参数空间中降噪，并有助于基于笔画的修复和生成应用，为人类艺术家设计提供帮助。大量实验表明，AttentionPainter优于最先进的神经绘画方法。
关键词
引用
@article{arxiv.2410.16418,
title = {AttentionPainter: An Efficient and Adaptive Stroke Predictor for Scene Painting},
author = {Yizhe Tang and Yue Wang and Teng Hu and Ran Yi and Xin Tan and Lizhuang Ma and Yu-Kun Lai and Paul L. Rosin},
journal= {arXiv preprint arXiv:2410.16418},
year = {2024}
}