論文の概要: TGHop: An Explainable, Efficient and Lightweight Method for Texture Generation

• arxiv url: http://arxiv.org/abs/2107.04020v1
• Date: Thu, 8 Jul 2021 17:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 13:32:24.346066
• Title: TGHop: An Explainable, Efficient and Lightweight Method for Texture Generation
• Title（参考訳）: TGHop: テクスチャ生成のための説明可能な、効率的で軽量な方法
• Authors: Xuejing Lei, Ganning Zhao, Kaitai Zhang, C.-C. Jay Kuo
• Abstract要約: この研究でTGHop(Texture Generation PixelHopの頭字語)が提案されている。 TGHopはモデルサイズが小さく、数学的に透明であり、トレーニングや推論で効率的であり、高品質なテクスチャを生成することができる。 実験結果から,TGHopはモデルサイズが小さく,高速で高品質なテクスチャ画像を生成することができることがわかった。
• 参考スコア（独自算出の注目度）: 28.185787626054704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An explainable, efficient and lightweight method for texture generation, called TGHop (an acronym of Texture Generation PixelHop), is proposed in this work. Although synthesis of visually pleasant texture can be achieved by deep neural networks, the associated models are large in size, difficult to explain in theory, and computationally expensive in training. In contrast, TGHop is small in its model size, mathematically transparent, efficient in training and inference, and able to generate high quality texture. Given an exemplary texture, TGHop first crops many sample patches out of it to form a collection of sample patches called the source. Then, it analyzes pixel statistics of samples from the source and obtains a sequence of fine-to-coarse subspaces for these patches by using the PixelHop++ framework. To generate texture patches with TGHop, we begin with the coarsest subspace, which is called the core, and attempt to generate samples in each subspace by following the distribution of real samples. Finally, texture patches are stitched to form texture images of a large size. It is demonstrated by experimental results that TGHop can generate texture images of superior quality with a small model size and at a fast speed.
• Abstract（参考訳）: 本稿では,テクスチャ生成のための説明可能で効率的で軽量な手法であるtghop(テクスチャ生成ピクセルホップの頭字語)を提案する。 視覚的に心地よいテクスチャの合成はディープニューラルネットワークによって達成できるが、関連するモデルはサイズが大きく、理論上説明が困難であり、トレーニングで計算コストがかかる。 対照的に、TGHopはモデルサイズが小さく、数学的に透明であり、トレーニングや推論で効率的であり、高品質なテクスチャを生成することができる。 模範的なテクスチャを与えられたTGHopは、まず多くのサンプルパッチを抽出して、ソースと呼ばれるサンプルパッチの集合を形成する。 そして、ソースからサンプルのピクセル統計を分析し、pixelhop++フレームワークを使用して、これらのパッチの細かな部分空間のシーケンスを取得する。 tghopでテクスチャパッチを生成するには、コアと呼ばれる最も粗い部分空間から始め、実サンプルの分布に従って各部分空間でサンプルを生成しようとする。 最後に、テクスチャパッチを縫合して大きなテクスチャ画像を形成する。 実験結果から,TGHopはモデルサイズが小さく,高速で高品質なテクスチャ画像を生成することができることがわかった。

関連論文リスト

• TEXGen: a Generative Diffusion Model for Mesh Textures [63.43159148394021]
  我々は、UVテクスチャ空間自体における学習の根本的な問題に焦点を当てる。 本稿では,点クラウド上にアテンション層を持つUVマップ上の畳み込みをインターリーブするスケーラブルなネットワークアーキテクチャを提案する。 テキストプロンプトとシングルビュー画像によって導かれるUVテクスチャマップを生成する7億のパラメータ拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-11-22T05:22:11Z)
• TexGen: Text-Guided 3D Texture Generation with Multi-view Sampling and Resampling [37.67373829836975]
  テクスチャ生成のための新しい多視点サンプリングおよび再サンプリングフレームワークであるTexGenを提案する。 提案手法は,高精細度3次元オブジェクトに対して,高精細度で優れたテクスチャ品質を実現する。 また,テクスチャ生成技術は,テクスチャ編集にも適用可能である。
  論文  参考訳（メタデータ） (2024-08-02T14:24:40Z)
• Infinite Texture: Text-guided High Resolution Diffusion Texture Synthesis [61.189479577198846]
  Infinite Textureはテキストプロンプトから任意の大きさのテクスチャ画像を生成する方法である。 本手法は,1つのテクスチャ上に拡散モデルを微調整し,その分布をモデルの出力領域に埋め込むことを学習する。 1つのGPU上で任意の解像度の出力テクスチャ画像を生成するためのスコアアグリゲーションストラテジーによって、我々の微調整拡散モデルが生成される。
  論文  参考訳（メタデータ） (2024-05-13T21:53:09Z)
• FlashTex: Fast Relightable Mesh Texturing with LightControlNet [105.4683880648901]
  ControlNetアーキテクチャに基づいた新しいテキスト・ツー・イメージモデルであるLightControlNetを紹介した。 本手法は, メッシュを任意の照明環境下で適切に切断し, レンダリングできるように, 結果として生じるテクスチャの材質/反射率を下げるためのものである。
  論文  参考訳（メタデータ） (2024-02-20T18:59:00Z)
• TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion [64.49276500129092]
  TextureDreamerは画像誘導型テクスチャ合成法である。 少数の入力画像から任意のカテゴリでターゲットの3D形状に光沢のあるテクスチャを転送することができる。
  論文  参考訳（メタデータ） (2024-01-17T18:55:49Z)
• TexFusion: Synthesizing 3D Textures with Text-Guided Image Diffusion Models [77.85129451435704]
  大規模誘導画像拡散モデルを用いて3次元テクスチャを合成する手法を提案する。 具体的には、潜時拡散モデルを利用し、セット・デノナイジング・モデルと集合・デノナイジング・テキスト・マップを適用する。
  論文  参考訳（メタデータ） (2023-10-20T19:15:29Z)
• Local Padding in Patch-Based GANs for Seamless Infinite-Sized Texture Synthesis [0.8192907805418583]
  本稿では,パッチ・バイ・パッチ生成に基づくGANを用いて,任意のサイズのテクスチャ画像を生成する手法を提案する。 モデルはゼロパディングの代わりに、生成したパッチ間のバウンダリ機能を共有するジェネレータ内のテキストローカルパディングを使用する。 提案手法は,生成したテクスチャの品質と多様性の観点から,既存のGANをベースとしたテクスチャモデルよりも大幅に進歩している。
  論文  参考訳（メタデータ） (2023-09-05T15:57:23Z)
• AUV-Net: Learning Aligned UV Maps for Texture Transfer and Synthesis [78.17671694498185]
  AUV-Netは,3次元表面を2次元に整列したUV空間に埋め込むことを学習する。 結果として、テクスチャはオブジェクト間で整列し、画像の生成モデルによって容易に合成できる。 学習されたUVマッピングとアライメントテクスチャ表現は、テクスチャ転送、テクスチャ合成、テクスチャ化された単一ビュー3D再構成など、さまざまなアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2022-04-06T21:39:24Z)
• On Demand Solid Texture Synthesis Using Deep 3D Networks [3.1542695050861544]
  本稿では,ディープラーニングフレームワークに基づくオンデマンドテクスチャ合成のための新しいアプローチについて述べる。 任意の大きさの固形テクスチャのコヒーレント部分を合成するために、生成ネットワークを訓練する。 合成されたボリュームは、少なくとも最先端のパッチベースのアプローチと同等の視覚的結果が得られる。
  論文  参考訳（メタデータ） (2020-01-13T20:59:14Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。