利用生成模型创作图像分解
计算机视觉与模式识别
2016-12-06 v1
摘要
我们展示了如何将传统的本征图像分解扩展，以在反照率和阴影之上纳入更多图层。获取用于学习多层分解的数据十分困难。取而代之，我们可以通过为每一层创作生成模型，使用捕捉柏拉图式理想的代理示例（蒙德里安图像用于反照率；渲染的3D基元用于阴影；材质样本用于阴影细节），来学习将图像分解为“类似这样”的图层。然后，我们的方法生成图像图层，每个模型生成一层，共同解释该图像。我们的方法依赖于图像生成模型的创新。我们引入了一种卷积变分自编码器（conv-VAE），这是一种能够重建高保真图像的新型VAE架构。该方法具有通用性，且不要求各图层具有物理解释。
引用
@article{arxiv.1612.01479,
title = {Authoring image decompositions with generative models},
author = {Jason Rock and Theerasit Issaranon and Aditya Deshpande and David Forsyth},
journal= {arXiv preprint arXiv:1612.01479},
year = {2016}
}