論文の概要: TGCF: Texture guided color fusion for impressionism oil painting style rendering

• arxiv url: http://arxiv.org/abs/2207.12585v1
• Date: Tue, 26 Jul 2022 00:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:41:15.549228
• Title: TGCF: Texture guided color fusion for impressionism oil painting style rendering
• Title（参考訳）: TGCF:印象派油彩画スタイルレンダリングのためのテクスチャガイドカラーフュージョン
• Authors: Jing Geng, Yijun Yan, Xin Zhang
• Abstract要約: ストロークテクスチャやターゲットスタイル画像の色などのスタイル情報の抽出が画像スタイリングの鍵となる。 油彩画のトーン特性と代表色を完全に考慮した新しいストロークレンダリング法を提案する。 実験により,提案モデルの有効性が検証された。
• 参考スコア（独自算出の注目度）: 3.056525956371469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a major branch of Non-Photorealistic Rendering (NPR), image stylization mainly uses the computer algorithms to render a photo into an artistic painting. Recent work has shown that the extraction of style information such as stroke texture and color of the target style image is the key to image stylization. Given its stroke texture and color characteristics, a new stroke rendering method is proposed, which fully considers the tonal characteristics and the representative color of the original oil painting, in order to fit the tone of the original oil painting image into the stylized image and make it close to the artist's creative effect. The experiments have validated the efficacy of the proposed model. This method would be more suitable for the works of pointillism painters with a relatively uniform sense of direction, especially for natural scenes. When the original painting brush strokes have a clearer sense of direction, using this method to simulate brushwork texture features can be less satisfactory.
• Abstract（参考訳）: 非フォトリアリスティックレンダリング(NPR)のメインブランチとして、画像スタイリングは主にコンピュータアルゴリズムを使用して、写真を芸術的な絵画に描画する。 近年の研究では、ストロークテクスチャやターゲット画像の色などのスタイル情報の抽出が画像スタイリングの鍵であることが示されている。 そのストロークテクスチャと色彩特性を考慮し、原油絵の調色特性と代表色を完全に考慮し、原油絵イメージのトーンをスタイリゼーション画像に適合させ、アーティストの創造的効果に近づける新たなストロークレンダリング手法を提案する。 実験により,提案モデルの有効性が検証された。 この方法は、特に自然の場面において、比較的均一な方向感覚を持つポインターリズムの画家の作品に適している。 オリジナルの筆画ストロークがより明確な方向感覚を持つ場合、この方法を用いて筆画テクスチャの特徴をシミュレートすることがより満足できる。

関連論文リスト

• Stroke-based Neural Painting and Stylization with Dynamically Predicted Painting Region [66.75826549444909]
  ストロークベースのレンダリングは、ストロークのセットで画像を再現することを目的としている。 本研究では,現在のキャンバスに基づいて絵画領域を予測する合成ニューラルネットワークを提案する。 我々は、新しい微分可能な距離変換損失を伴って、ストロークベースのスタイル転送に拡張する。
  論文  参考訳（メタデータ） (2023-09-07T06:27:39Z)
• Controlling Geometric Abstraction and Texture for Artistic Images [0.22835610890984162]
  本稿では,芸術的画像における幾何学的抽象化とテクスチャのインタラクティブな制御法を提案する。 以前の例に基づくスタイリング手法は、しばしば形状、テクスチャ、色を絡ませるが、画像合成のための生成法は一般的に入力画像について仮定する。 対照的に、我々の全体論的アプローチは、入力を空間的に形状に分解し、画像のテクスチャを構成する高周波詳細のパラメトリック表現により、色とテクスチャの独立制御を可能にする。
  論文  参考訳（メタデータ） (2023-07-31T20:37:43Z)
• Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
  以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。 画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T18:44:25Z)
• Perceptual Artifacts Localization for Inpainting [60.5659086595901]
  そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。 データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。 また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-05T18:50:51Z)
• ARF: Artistic Radiance Fields [63.79314417413371]
  本稿では,任意のスタイル画像の芸術的特徴を3Dシーンに転送する方法を提案する。 点雲やメッシュ上で3次元スタイリングを行う従来の手法は、幾何的再構成誤差に敏感である。 より頑健なラディアンス場表現の体系化を提案する。
  論文  参考訳（メタデータ） (2022-06-13T17:55:31Z)
• Interactive Style Transfer: All is Your Palette [74.06681967115594]
  本稿では,ユーザが対話的に調和したスタイルのイメージを作成できる,図形的な対話型スタイル転送(IST)手法を提案する。 私たちのISTメソッドは、どこからでもブラシやディップスタイルとして機能し、ターゲットのコンテンツイメージの任意の領域にペイントします。
  論文  参考訳（メタデータ） (2022-03-25T06:38:46Z)
• Texture for Colors: Natural Representations of Colors Using Variable Bit-Depth Textures [13.180922099929765]
  そこで本研究では,画像の強度だけでなく,元の色も表わす2値テクスチャの組に画像が変換される自動手法を提案する。 このシステムは、様々な画像ソースでテストすると、美的にバイナリイメージを満足させる。
  論文  参考訳（メタデータ） (2021-05-04T21:22:02Z)
• A deep learning based interactive sketching system for fashion images design [47.09122395308728]
  ファッションスケッチとテクスチャ情報から,多様な高品質な衣料品画像をデザインするインタラクティブシステムを提案する。 このシステムの背後にある大きな課題は、ユーザが提供するテクスチャ情報に基づいて高品質で詳細なテクスチャを生成することである。 特に、テクスチャ化された衣料画像を合成する新しい二色エッジテクスチャ表現と、グレースケールエッジに基づいてシェーディングをレンダリングするシェーディングエンハンサーを提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:50:56Z)

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。