用于基于样本纹理合成的条件生成卷积网络
计算机视觉与模式识别
2019-12-18 v1
摘要
基于样本的纹理合成的目标是生成与给定样本在视觉上相似的纹理图像。近来，依赖在大规模图像数据集上预训练的卷积神经网络（ConvNets）的方法报道了有前景的结果。然而，这些方法难以合成具有非局部结构的图像纹理，也难以扩展到动态或声音纹理。本文中，我们提出一种条件生成卷积网络（cgCNN）模型，它结合了深度统计与生成卷积网络（gCNN）模型的概率框架。给定一个纹理样本，cgCNN 模型利用 ConvNet 的深度统计定义条件分布，并通过从该条件分布中采样来合成新纹理。与先前的深度纹理模型不同，所提出的 cgCNN 不依赖预训练的 ConvNets，而是为每个输入样本学习 ConvNets 的权重。因此，cgCNN 模型能以统一的方式合成高质量的动态、声音与图像纹理。我们还探讨了我们的模型与其他纹理模型之间的理论联系。进一步研究表明，cgCNN 模型可轻易推广到纹理扩展与修复。大量实验表明，我们的模型能取得优于或至少可与最先进方法相媲美的结果。
引用
@article{arxiv.1912.07971,
title = {Conditional Generative ConvNets for Exemplar-based Texture Synthesis},
author = {Zi-Ming Wang and Meng-Han Li and Gui-Song Xia},
journal= {arXiv preprint arXiv:1912.07971},
year = {2019}
}