論文の概要: Lightweight texture transfer based on texture feature preset

• arxiv url: http://arxiv.org/abs/2306.16846v3
• Date: Mon, 1 Jan 2024 06:25:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 02:09:17.807256
• Title: Lightweight texture transfer based on texture feature preset
• Title（参考訳）: テクスチャ特徴の事前設定に基づく軽量テクスチャ転送
• Authors: ShiQi Jiang
• Abstract要約: テクスチャ特徴プリセットに基づく軽量なテクスチャ転送を提案する。 結果は視覚的に優れた結果を示すが、モデルのサイズを3.2～3538倍に減らし、プロセスを1.8～5.6倍に高速化する。
• 参考スコア（独自算出の注目度）: 1.1863107884314108
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the task of texture transfer, reference texture images typically exhibit highly repetitive texture features, and the texture transfer results from different content images under the same style also share remarkably similar texture patterns. Encoding such highly similar texture features often requires deep layers and a large number of channels, making it is also the main source of the entire model's parameter count and computational load, and inference time. We propose a lightweight texture transfer based on texture feature preset (TFP). TFP takes full advantage of the high repetitiveness of texture features by providing preset universal texture feature maps for a given style. These preset feature maps can be fused and decoded directly with shallow color transfer feature maps of any content to generate texture transfer results, thereby avoiding redundant texture information from being encoded repeatedly. The texture feature map we preset is encoded through noise input images with consistent distribution (standard normal distribution). This consistent input distribution can completely avoid the problem of texture transfer differentiation, and by randomly sampling different noise inputs, we can obtain different texture features and texture transfer results under the same reference style. Compared to state-of-the-art techniques, our TFP not only produces visually superior results but also reduces the model size by 3.2-3538 times and speeds up the process by 1.8-5.6 times.
• Abstract（参考訳）: テクスチャ転送のタスクでは、参照テクスチャ画像は、非常に反復的なテクスチャ特徴を示し、同じスタイルで異なるコンテンツ画像からのテクスチャ転送結果も、非常に類似したテクスチャパターンを示す。 このような高度に類似したテクスチャ特徴をエンコーディングするには、しばしば深い層と多くのチャネルを必要とするため、モデル全体のパラメータ数と計算負荷、推論時間の主な原因でもある。 本稿では,テクスチャ特徴プリセット(tfp)に基づく軽量なテクスチャ転送を提案する。 TFPは、所定のスタイルに対して予め設定された普遍的なテクスチャ特徴写像を提供することにより、テクスチャ特徴の反復性を最大限に活用する。 これらのプリセットフィーチャマップは、任意のコンテンツの浅いカラー転送フィーチャマップと直接融合して、テクスチャ転送結果を生成することができ、冗長なテクスチャ情報が繰り返しエンコードされるのを避けることができる。 予め設定したテクスチャ特徴写像は、一貫した分布(標準正規分布)を持つノイズ入力画像を通して符号化される。 この一貫した入力分布は、テクスチャ伝達分化の問題を完全に回避することができ、異なるノイズ入力をランダムにサンプリングすることで、同じ参照スタイルで異なるテクスチャ特徴とテクスチャ伝達結果を得ることができる。 最新技術と比較して、TFPは視覚的に優れた結果をもたらすだけでなく、モデルサイズを3.2～3538倍に減らし、プロセスを1.8～5.6倍高速化する。

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)
• FabricDiffusion: High-Fidelity Texture Transfer for 3D Garments Generation from In-The-Wild Clothing Images [56.63824638417697]
  ファブリックディフュージョン(FabricDiffusion)は、織物のテクスチャを1枚の衣服画像から任意の形状の3D衣服に転送する方法である。 FabricDiffusionは、テクスチャパターン、材料特性、詳細な印刷物やロゴを含む、単一の衣料品画像から様々な特徴を伝達できることを示す。
  論文  参考訳（メタデータ） (2024-10-02T17:57:12Z)
• 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)
• 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)
• Paint-it: Text-to-Texture Synthesis via Deep Convolutional Texture Map Optimization and Physically-Based Rendering [47.78392889256976]
  Paint-itは3Dレンダリングのためのテキスト駆動の高忠実なテクスチャマップ合成法である。 Paint-itはScore-Distillation Sampling(SDS)を利用してテキスト記述からテクスチャマップを合成する 我々は,DC-PBRがテクスチャ周波数に応じて最適化カリキュラムをスケジュールし,SDSからノイズ信号を自然にフィルタすることを示した。
  論文  参考訳（メタデータ） (2023-12-18T17:17:08Z)
• Color and Texture Dual Pipeline Lightweight Style Transfer [1.1863107884314108]
  スタイル伝達法は通常、参照スタイルのための色とテクスチャの結合の単一のスタイル化された出力を生成する。 色とテクスチャの転送結果の同時出力に2重パイプライン方式を用いるカラー・テクスチャ二重パイプライン方式のライトウェイト転送CTDP法を提案する。 比較実験では、CTDPが生成した色とテクスチャの伝達結果はどちらも最先端の性能を達成している。
  論文  参考訳（メタデータ） (2023-10-02T16:29:49Z)
• TEXTure: Text-Guided Texturing of 3D Shapes [71.13116133846084]
  TEXTureは,テクスチャのテクスチャのテクスチャの編集,編集,転送を行う新しい方法である。 表面テクスチャを明示することなくシームレスな3次元テクスチャを生成する3次元マップ分割プロセスを定義する。
  論文  参考訳（メタデータ） (2023-02-03T13:18:45Z)

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。