論文の概要: Content-Conditioned Generation of Stylized Free hand Sketches
- arxiv url: http://arxiv.org/abs/2401.04739v1
- Date: Tue, 9 Jan 2024 05:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 16:17:34.696130
- Title: Content-Conditioned Generation of Stylized Free hand Sketches
- Title（参考訳）: スタイル化フリーハンドスケッチのコンテンツコンディショニング生成
- Authors: Jiajun Liu, Siyuan Wang, Guangming Zhu, Liang Zhang, Ning Li and
Eryang Gao
- Abstract要約: 軍事分野などの特殊分野では、手書きのスケッチを大規模にサンプリングすることは困難である。
本稿では,様々なスタイルでリアルなフリーハンドスケッチを正確に生成できる新しい逆生成ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 13.474666287535317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the recognition of free-hand sketches has remained a popular
task. However, in some special fields such as the military field, free-hand
sketches are difficult to sample on a large scale. Common data augmentation and
image generation techniques are difficult to produce images with various
free-hand sketching styles. Therefore, the recognition and segmentation tasks
in related fields are limited. In this paper, we propose a novel adversarial
generative network that can accurately generate realistic free-hand sketches
with various styles. We explore the performance of the model, including using
styles randomly sampled from a prior normal distribution to generate images
with various free-hand sketching styles, disentangling the painters' styles
from known free-hand sketches to generate images with specific styles, and
generating images of unknown classes that are not in the training set. We
further demonstrate with qualitative and quantitative evaluations our
advantages in visual quality, content accuracy, and style imitation on
SketchIME.
- Abstract（参考訳）: 近年では、フリーハンドスケッチの認知が人気を博している。
しかし、軍事などの特殊分野においては、手書きのスケッチを大規模にサンプリングすることは困難である。
様々なフリーハンドスケッチスタイルで画像を生成するには,共通データ拡張と画像生成技術が困難である。
したがって、関連する分野における認識とセグメンテーションのタスクは限られている。
本稿では,様々なスタイルでリアルなフリーハンドスケッチを正確に生成できる,新しい逆生成ネットワークを提案する。
本モデルでは,事前の正規分布からランダムにサンプリングされたスタイルを用いて,様々なフリーハンドスケッチスタイルで画像を生成すること,既知のフリーハンドスケッチから画家のスタイルを遠ざけ,特定のスタイルで画像を生成すること,トレーニングセットにない未知のクラスの画像を生成することなど,モデルの性能について検討する。
さらに,SketchIMEにおける視覚的品質,コンテンツ精度,スタイル模倣の利点を質的かつ定量的に評価した。
関連論文リスト
- Semi-supervised reference-based sketch extraction using a contrastive learning framework [6.20476217797034]
本研究では,対象とする参照スケッチのスタイルを非ペアデータトレーニングで模倣できる,新しいマルチモーダルスケッチ抽出手法を提案する。
提案手法は,定量評価と定性評価の両面において,最先端のスケッチ抽出法と未完成画像翻訳法より優れる。
論文 参考訳（メタデータ） (2024-07-19T04:51:34Z) - Stylized Face Sketch Extraction via Generative Prior with Limited Data [6.727433982111717]
StyleSketchは、顔画像から高解像度のスタイリングスケッチを抽出する方法である。
事前訓練されたStyleGANの深い特徴の豊富なセマンティクスを用いて、16対の顔とそれに対応するスケッチイメージでスケッチジェネレータを訓練することができる。
論文 参考訳（メタデータ） (2024-03-17T16:25:25Z) - HAIFIT: Human-to-AI Fashion Image Translation [6.034505799418777]
本稿では,スケッチを高忠実なライフスタイルの衣料品画像に変換する新しいアプローチであるHAIFITを紹介する。
本手法は, ファッションデザインに欠かせない, 独特のスタイルの保存に優れ, 細部が複雑である。
論文 参考訳（メタデータ） (2024-03-13T16:06:07Z) - Customize StyleGAN with One Hand Sketch [0.0]
本稿では,単一のユーザスケッチでスタイルGAN画像を制御するフレームワークを提案する。
我々は、エネルギーベース学習により、事前学習したStyleGANモデルの潜在空間における条件分布を学習する。
我々のモデルは、入力スケッチにセマンティックに整合したマルチモーダル画像を生成することができる。
論文 参考訳（メタデータ） (2023-10-29T09:32:33Z) - Adaptively-Realistic Image Generation from Stroke and Sketch with
Diffusion Model [31.652827838300915]
拡散モデルに基づくスケッチやストロークからの画像合成を3次元制御する統合フレームワークを提案する。
我々のフレームワークは、形状、色、リアリズムを制御したカスタマイズ画像の生成に柔軟性を提供しながら、最先端のパフォーマンスを実現している。
提案手法は,実画像の編集,部分スケッチとストロークの生成,マルチドメインマルチモーダル合成などの応用を解き放つ。
論文 参考訳（メタデータ） (2022-08-26T13:59:26Z) - Quality Metric Guided Portrait Line Drawing Generation from Unpaired
Training Data [88.78171717494688]
本研究では,顔画像から肖像画への自動変換手法を提案する。
本手法は,(1)1つのネットワークを用いて複数のスタイルで高品質な肖像画を生成することを学習し,(2)トレーニングデータに見つからない「新しいスタイル」の肖像画を生成する。
論文 参考訳（メタデータ） (2022-02-08T06:49:57Z) - DeepFacePencil: Creating Face Images from Freehand Sketches [77.00929179469559]
既存の画像から画像への変換には、大規模なスケッチと画像のデータセットが必要である。
本稿では,手描きスケッチから写真リアルな顔画像を生成するための効果的なツールであるDeepFacePencilを提案する。
論文 参考訳（メタデータ） (2020-08-31T03:35:21Z) - SketchEmbedNet: Learning Novel Concepts by Imitating Drawings [125.45799722437478]
モデルを用いて画像のスケッチを作成することによって学習した画像表現の特性について検討する。
この生成型クラスに依存しないモデルでは,新規な例,クラス,さらには新規なデータセットからの画像の情報埋め込みが,数ショットで生成されることが示されている。
論文 参考訳（メタデータ） (2020-08-27T16:43:28Z) - SketchyCOCO: Image Generation from Freehand Scene Sketches [71.85577739612579]
本稿では,シーンレベルのフリーハンドスケッチから画像の自動生成手法を提案する。
主要なコントリビューションは、EdgeGANと呼ばれる属性ベクトルをブリッジしたGeneversarative Adrial Networkである。
我々はSketchyCOCOと呼ばれる大規模複合データセットを構築し、ソリューションをサポートし評価した。
論文 参考訳（メタデータ） (2020-03-05T14:54:10Z) - Deep Self-Supervised Representation Learning for Free-Hand Sketch [51.101565480583304]
フリーハンドスケッチにおける自己指導型表現学習の課題に対処する。
自己教師型学習パラダイムの成功の鍵は、スケッチ固有の設計にある。
提案手法は最先端の教師なし表現学習法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-03T16:28:29Z) - Deep Plastic Surgery: Robust and Controllable Image Editing with
Human-Drawn Sketches [133.01690754567252]
スケッチベースの画像編集は、人間の描いたスケッチによって提供される構造情報に基づいて、写真を合成し、修正することを目的としている。
Deep Plastic Surgeryは、手書きのスケッチ入力を使って画像のインタラクティブな編集を可能にする、新しくて堅牢で制御可能な画像編集フレームワークである。
論文 参考訳（メタデータ） (2020-01-09T08:57:50Z)
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。