基于非线性卷积的可控图像类推和自类推技术

提出一种新的图像类推技术,定义"风格"为作用于内容上的非线性卷积过程.通过估计卷积核实现风格学习,通过执行卷积实现风格的传递.该定义能够极大地加快类推速度,提高风格学习与样本数据的独立性,增强图像类推的稳定性与适用性.同时还提出了对图像进行迭代式风格化作用的连续类推思想,以及通过自身构建训练集的自类推思想.连续类推可以生成不同强度的风格化序列,进而实现图像类推控制;图像自类推则可以应用于超分辨等与尺度相关的问题.

基于分形维数向量的图像类推技术

为了给出图像类推算法的适用范围,提出了一种新的基于分形维数向量的图像的相似性度度量算子。对图像类推算法进行了认知和分析,指出图像类推在本质上是一个多分辨的纹理合成问题,它对图像的结构和素材都存在着较高的要求。通过实验结果表明,提出的基于分形维数向量的图像相似度度量算子可以较好的表现图像的结构和素材这两个特征。并通过实例验证了提出的图像相似度算子较好的解决了原有Image Analogies方法适用的模糊性问题,从某种意义上揭示了风格化学习和风格化继承的特性。