图案类比：学习通过类比执行程序化图像编辑

图案图像在数字和物理世界中无处不在，编辑它们的工具极具价值。但编辑图案图像十分棘手：所需的编辑通常是程序化的，即结构感知的编辑，用以更改生成图案的底层程序。人们可以尝试推断这一底层程序，但目前的方法在处理复杂图像时存在困难，且生成的程序杂乱无章，使得编辑变得繁琐。在这项工作中，我们引入了一种对图案图像执行程序化编辑的新方法。通过使用图案类比——一对简单图案来演示预期的编辑——以及基于学习的生成模型来执行这些编辑，我们的方法允许用户直观地编辑图案。为了实现这一范式，我们引入了 SplitWeave，一种领域特定语言，结合合成图案类比采样框架，能够创建大规模、高质量的合成训练数据集。我们还提出了 TriFuser，一种潜在扩散模型 (LDM)，旨在克服将 LDM 直接应用于此任务时出现的关键问题。在真实世界艺术家提供的图案上的大量实验表明，我们的方法忠实地执行了所演示的编辑，同时还能泛化到超出其训练分布的相关图案风格。