基于Image Quilting算法的纹理合成

基于样图的纹理合成方法是继纹理映射、过程纹理合成方法后发展起来的纹理拼接技术,用于解决传统方法中出现的缝隙、扭曲、变形和参数调整等问题。Image Quilting算法是简单易行的接缝消除方法,采用Image Quilting算法合成纹理并生成Wang Tile集,继而拼接大图像。实验表明,Image Quilting算法能够较好地保持纹理特征的连续性,但在接缝处可能破坏纹元特征。

快速风格迁移

提出一种基于样图的快速风格迁移方法。对经典Ashikhmin算法进行了改进,引入源图像和目标图像及其低分辨率图像的统计信息的L2距离,建立一种新的邻域一致性度量。对于重复候选点,以随机生成候选点的方法扩大搜索范围。同时采用双向扫描策略保证风格传输中纹元的视觉完整性。实验证明,改进算法能够快速有效地实现图像间的风格传输。

基于非线性滤波和纹理传输的图像风格化

纹理传输通过将样本图像纹理信息传递给源图像实现风格化.但在处理纹理细节丰富的源图像和复杂样本图像时,现有技术的处理效果差,且不便于用户进行直观的交互操作.为此,提出一种基于非线性滤波的显式纹理传输方法.首先通过相对总变差和L0梯度最小化滤波器对源图像进行去纹理操作,然后通过相对总变差滤波器对样本图像进行纹理提取,最后通过亮度重映射和线性叠加实现纹理传输.实验结果表明,该方法能够在保持源图像结构和色调信息的同时进行纹理替换;与已有方法相比,交互过程更加直观且风格化效果更好.

基于块拼贴技术的纹理传输研究

本文提出一种改进的块拼贴纹理传输算法,首先给出一种基于样图的块拼贴纹理合成方法,该方法采用图论中的最大流-最小割算法对纹理块之间的匹配进行优化;然后在此算法基础上,通过增加一个对应图约束对纹理传输问题进行了研究,为了提高纹理传输的质量,提出了一个迭代传输的解决方案。实验结果表明纹理传输的结果令人满意。

基于多阶误差曲面的纹理合成

针对Image Quilting纹理合成算法拼贴块时会出现的边界不连续现象,提出一种基于多阶误差曲面的纹理合成改进算法。该算法通过多阶误差曲面来计算最小误差边界分割,从而得到更精确的最佳切割路径;此外在按照最佳切割路径拼贴块后,利用泊松混合(Poisson Blending)来修复边界不连续区域,使得不连续的边界区域能够变得平滑,纹理合成效果更符合视觉要求,并且将改进后的算法扩展到纹理传输的实现。实验结果表明,改进后的算法可以较好地克服Image Quilting算法存在的不足,得到良好的合成结果。

基于图像的流体型风格画仿真研究

为了模拟艺术家的流体型风格绘画,提出了一种新的流体型风格化图像绘制算法。提取图像中的流体信息,通过随机扰动生成纹理参考图,再运用小波技术的融合方法,使得输出图像具有流体效果,最后采用色彩转换的方法,将颜色参考图中的色彩特征转换到绘制图像上。实验结果表明,该算法自动化程度高,复杂度低,渲染效果更接近于流体型风格绘画。

基于深度学习的图像风格迁移研究综述

为推进基于深度学习的图像风格迁移的技术研究,对目前基于深度学习的图像风格迁移的主要方法和代表性工作进行了归纳与探讨。回顾了非参数的图像风格迁移,详细介绍了目前主要的基于深度学习的图像风格迁移的基本原理和方法,分析了图像风格迁移在相关领域中的应用前景,最后总结了基于深度学习的图像风格迁移目前存在的问题与未来的研究方向。

Image quilting纹理传输算法的改进研究

纹理合成与纹理传输是目前计算机图形图像领域比较热门的研究方向.目前针对纹理传输的研究大部分都集中在纹理块与目标图像对应像素颜色信息的匹配度的改进上,目标图像整体的结构信息鲜有提及.以Efros等人提出的image quilting纹理合成算法为基础,提出一种新的纹理传输改进算法,新算法主要对纹理传输过程中的误差匹配公式作了改进,引入了与目标图像的边缘梯度信息有关的项,同时还采用了亮度重映射方法对纹理块进行匹配预处理以解决因纹理图像和目标图像亮度差过大而带来的纹理块搜索困难问题.广泛的实验表明改进后的纹理传输算法在时间上和image quilting算法相差无几,但传输后的图像整体轮廓清晰、亮度明显,因此传输效果更合理、更加符合人的视觉感受.

引入边缘信息的纹理传输改进算法

本文针对Efros等人提出的块缝合纹理合成与传输算法,在搜索匹配块的过程中未考虑目标图块边缘信息这一不足之处,提出了一种改进算法.新算法在原有的搜索误差匹配公式中,通过计算梯度的方式增加了边缘信息处理项,同时整个传输过程还引入了亮度重映射的匹配预处理策略.实验结果表明,改进后算法的传递效果优于传统算法,尤其是目标图的边缘轮廓部分传递效果有比较明显的改善.

基于神经网络的图像风格迁移研究综述

为了推动基于神经网络的图像风格迁移技术的研究,对基于神经网络的图像风格迁移的主要方法和代表性工作进行了总结和讨论。回顾了传统的风格迁移算法,详细介绍了基于神经网络的主要图像风格迁移的基本原理和方法,分析了相关基于神经网络的图像风格迁移领域的应用前景,最后总结了基于神经网络的图像风格迁移存在的挑战和未来研究方向。

基于多层次显著图的自动铅笔画生成

图像艺术风格化是将图像自动转化为具有艺术风格的图像的方法统称,具有十分广阔的需求和市场应用前景.本文针对现有方法生成的图像往往风格单一、线条僵硬,提出了一种基于多层次视觉显著图将照片图像自动转化成铅笔画的方法,借助视觉显著性特点,使得风格化图像更加自然逼真.首先利用量子切割原理生成一幅包含多个层次的视觉显著性映射图,为每个像素计算一个重要性概率值;其次,利用显著性映射图对铅笔画轮廓图进行建模,并利用图像的边缘切线流为边缘像素计算显著性层次,生成不同粗细、长短、方向的笔画;最后,利用显著性映射图对色调纹理进行建模,对不同层次的像素采用不同程度的灰度变换和纹理合成.与现有的非真实感图像生成方法相比,文中方法由于利用了多层次视觉显著性信息,生成的图像更加具有层次感和艺术表现力,更接近画家绘画作品.实验表明,采用该方法得到的合成框架可以将照片快速转换成铅笔画艺术风格图像,效果生动逼真.

块拼接技术的改进及其在纹理传输中的应用

为了改善块拼接纹理合成图片在接缝处不平滑的现象,以及为了证明纹理传输约束的多样性,文中提出了一种改进的块拼接纹理合成技术,并把这种技术应用到了纹理传输中。文中对块拼接技术中最小切割路径的计算加入梯度结构信息,并且在选择匹配块时综合考虑重叠区域累计误差和最小切割路径,此外将改进的块拼接技术应用到纹理传输上,并对传输过程中依据的约束量的多样性进行探究。实验结果表明,改进的块拼接技术能够获得视觉上更好的合成结果,接缝处更加流畅连续,此外也验证了纹理传输中依据的两幅图像的对应约束量是多样的并不是单一的。

可控多重纹理扩展合成与迁移

针对当前单一纹理扩展模型应用于多重纹理扩展存在模式崩溃及用户无法控制输出的纹理模式或风格等问题,提出一种新的适用于多重纹理扩展合成与迁移的网络.首先,通过在生成对抗网络判别训练中,增加分类训练,使判别器在区分生成数据和真实数据的同时,还能进一步正确识别输入纹理来自哪一张训练图像,从而改善模式崩溃问题.其次,为达到纹理迁移中用户对纹理模式的控制,将生成器修改为双流数据输入,其中一流提供结构引导特征,另一流提供纹理模式特征,融合两种特征后解码生成最终的纹理图像.实验结果表明,该多重纹理扩展模型不仅用一个网络就能正确学习到多张纹理图像的纹理模式,且训练好的模型还具有更好的、可控的纹理迁移功能.

基于对称性表示的纹理传输与合成

基于样图的纹理合成通过已有的纹理信息,合成与样本相似的大尺寸纹理,保证视觉上的连续性和相似性。但是纹理的传输和控制始终是个难题。为了实现这个目的,利用对称性表示方法将目标图片以及合成的纹理图片表示在对称空间中,实现纹理之间的传输,引导完成基于块的纹理合成,迭代产生最优的输出纹理。实验证明,该方法可以完成纹理的传输和控制,得到良好的纹理合成效果,并且有较好的鲁棒性。