Fugu-MT 論文翻訳(概要): Why Do Line Drawings Work? A Realism Hypothesis

論文の概要: Why Do Line Drawings Work? A Realism Hypothesis

arxiv url: http://arxiv.org/abs/2002.06260v1
Date: Fri, 14 Feb 2020 21:41:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 05:06:49.051424
Title: Why Do Line Drawings Work? A Realism Hypothesis
Title（参考訳）: なぜ線画は機能するのか? 実在論の仮説
Authors: Aaron Hertzmann
Abstract要約: この論文は、人間の視覚系が線描を、まるでほぼ現実的なイメージであるかのように知覚する、という仮説を立てている。線画の技法は人間の観察者に正確に形状を伝えるために選択される。
参考スコア（独自算出の注目度）: 12.602935529346063
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Why is it that we can recognize object identity and 3D shape from line drawings, even though they do not exist in the natural world? This paper hypothesizes that the human visual system perceives line drawings as if they were approximately realistic images. Moreover, the techniques of line drawing are chosen to accurately convey shape to a human observer. Several implications and variants of this hypothesis are explored.
Abstract（参考訳）: 自然界に存在しないにもかかわらず、線画から物体の同一性や3次元形状を認識できるのはなぜか。本稿では,人間の視覚系が線描を概ね現実的なイメージであるかのように知覚する,という仮説を立てる。また、人間の観察者に正確な形状を伝えるために線画の技法が選択される。この仮説のいくつかの意味と変種が研究されている。

関連論文リスト

Toon3D: Seeing Cartoons from a New Perspective [52.85312338932685]
我々は漫画やアニメの手描き画像に焦点をあてる。多くの漫画は3Dレンダリングエンジンのないアーティストによって作られており、シーンの新しいイメージは手描きである。我々は、2次元図面の不整合を補正し、新たに歪んだ図面が互いに整合するように、可視な3次元構造を復元する。
論文参考訳（メタデータ） (2024-05-16T17:59:51Z)
Implicit 3D Human Mesh Recovery using Consistency with Pose and Shape from Unseen-view [23.30144908939099]
人のイメージから、あいまいさがあっても自然の3Dポーズや形状を容易に推測できる。 Inmplicit 3D Human Mesh Recovery (ImpHMR) を提案する。
論文参考訳（メタデータ） (2023-06-30T13:37:24Z)
Sketch2Saliency: Learning to Detect Salient Objects from Human Drawings [99.9788496281408]
本研究では,スケッチを弱いラベルとして使用して,画像中の有能な物体を検出する方法について検討する。これを実現するために,与えられた視覚写真に対応する逐次スケッチ座標を生成することを目的としたフォト・ツー・スケッチ生成モデルを提案する。テストは、私たちの仮説を証明し、スケッチベースの唾液度検出モデルが、最先端技術と比較して、競争力のあるパフォーマンスを提供する方法を明確にします。
論文参考訳（メタデータ） (2023-03-20T23:46:46Z)
DeepPortraitDrawing: Generating Human Body Images from Freehand Sketches [75.4318318890065]
本稿では、大まかに描かれたスケッチをリアルな人体画像に変換するためのフレームワークであるDeepDrawingを紹介する。様々なポーズの下で複雑な体形を符号化するために,我々は局所的・言語的アプローチをとる。本手法は,最新のスケッチ・ツー・イメージ合成技術よりもリアルな画像を生成する。
論文参考訳（メタデータ） (2022-05-04T14:02:45Z)
Learning to generate line drawings that convey geometry and semantics [22.932131011984513]
本稿では,写真から線画を作成する方法を提案する。線画はシーン情報のエンコーディングであり,3次元形状と意味的意味を伝達しようとする。線描画の画像特徴から深度情報を予測する幾何学的損失と、線描画のCLIP特徴と対応する写真とを一致させる意味的損失を導入する。
論文参考訳（メタデータ） (2022-03-23T19:27:41Z)
Evolutionary Generation of Visual Motion Illusions [0.0]
本稿では,新しい視覚運動錯覚を生み出す進化的イリュージョンジェネレータ(EIGen)について述べる。 EIGenの構造は、照明運動が脳自身の予測を知覚した結果であるかもしれないという仮説を支持している。本論文の科学的動機は、視覚運動の知覚が脳の予測能力の副作用であることを示すことである。
論文参考訳（メタデータ） (2021-12-25T14:53:50Z)
LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文参考訳（メタデータ） (2021-11-30T04:10:57Z)
Collaborative Regression of Expressive Bodies using Moderation [54.730550151409474]
3Dの体や顔、手を推定する手法は、いまだに大きく進歩している。単一画像から全身3Dアバターをアニマタブルに生成するPIXIEを紹介する。トレーニング画像を男性,女性,非バイナリとしてラベル付けし,ピクシーを訓練し,新たな形状損失を伴う3次元身体形状を推定した。
論文参考訳（メタデータ） (2021-05-11T18:55:59Z)
ShaRF: Shape-conditioned Radiance Fields from a Single View [54.39347002226309]
本稿では,単一の画像のみのオブジェクトの神経シーン表現を推定する手法を提案する。この手法の核心は,対象物の幾何学的足場の推定である。合成画像と実画像の両方において,提案手法の有効性を示す実験を行った。
論文参考訳（メタデータ） (2021-02-17T16:40:28Z)
The Role of Edges in Line Drawing Perception [15.24376124676205]
線描の有効性は、エッジ画像と線描との類似性によって説明できるとしばしば推測されている。本稿では,線描知覚をエッジの観点から説明する上での問題と,最近提案されたHertzmannのリアリズム仮説(2020)がこれらの問題をどう解決するかを述べる。
論文参考訳（メタデータ） (2021-01-22T23:22:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。