基于样本且利用隐式周期场网络的图案合成
计算机视觉与模式识别
2022-04-18 v2 人工智能
摘要
遍历性、平稳视觉图案的合成在纹理化、形状建模和数字内容创作中具有广泛应用。该技术的广泛适用性因此要求图案合成方法具备可扩展性、多样性和真实性。本文提出一种基于样本的视觉图案合成框架,旨在建模视觉图案的内在统计并生成满足上述要求的新颖、多变的图案。为此,我们提出了一种基于生成对抗网络(GAN)和周期编码的隐式网络,故称之为隐式周期场网络(IPFN)。IPFN 的设计保证了可扩展性:隐式公式直接将输入坐标映射到特征,从而能够合成任意大小的图案,并且在 3D 形状合成中计算高效。通过周期编码方案进行学习促进了多样性:网络被约束为基于周期场中的空间潜码来建模样本的内在统计。结合连续设计的 GAN 训练过程,IPFN 被证明能够合成具有平滑过渡和局部变化的可平铺图案。最后但同样重要的是,得益于对抗训练技术和编码的傅里叶特征,IPFN 学习到产生真实、高质量结果的高频函数。为验证我们的方法,我们展示了在 2D 纹理合成和 3D 形状合成各种应用上的新颖实验结果。
引用
@article{arxiv.2204.01671,
title = {Exemplar-based Pattern Synthesis with Implicit Periodic Field Network},
author = {Haiwei Chen and Jiayi Liu and Weikai Chen and Shichen Liu and Yajie Zhao},
journal= {arXiv preprint arXiv:2204.01671},
year = {2022}
}
备注
8 pages, CVPR 2022