論文の概要: Compositional Neural Textures

• arxiv url: http://arxiv.org/abs/2404.12509v1
• Date: Thu, 18 Apr 2024 21:09:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 16:44:29.228276
• Title: Compositional Neural Textures
• Title（参考訳）: 構成型ニューラルテクスチャ
• Authors: Peihan Tu, Li-Yi Wei, Matthias Zwicker,
• Abstract要約: 合成ニューラルモデルを用いてテクスチャを表現するための、完全に教師なしのアプローチを導入する。 我々は,各テキストを,空間的支持がその形状を近似する2次元ガウス関数と,その詳細な外観を符号化する関連する特徴として表現する。 このアプローチは、画像テクスチャから他のイメージへの外観の移動、テクスチャの多様化、テクスチャの多様性の明確化と修正、編集の伝播、テクスチャアニメーション、ダイレクトテキスト操作など、幅広いアプリケーションを可能にする。
• 参考スコア（独自算出の注目度）: 25.885557234297835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Texture plays a vital role in enhancing visual richness in both real photographs and computer-generated imagery. However, the process of editing textures often involves laborious and repetitive manual adjustments of textons, which are the small, recurring local patterns that define textures. In this work, we introduce a fully unsupervised approach for representing textures using a compositional neural model that captures individual textons. We represent each texton as a 2D Gaussian function whose spatial support approximates its shape, and an associated feature that encodes its detailed appearance. By modeling a texture as a discrete composition of Gaussian textons, the representation offers both expressiveness and ease of editing. Textures can be edited by modifying the compositional Gaussians within the latent space, and new textures can be efficiently synthesized by feeding the modified Gaussians through a generator network in a feed-forward manner. This approach enables a wide range of applications, including transferring appearance from an image texture to another image, diversifying textures, texture interpolation, revealing/modifying texture variations, edit propagation, texture animation, and direct texton manipulation. The proposed approach contributes to advancing texture analysis, modeling, and editing techniques, and opens up new possibilities for creating visually appealing images with controllable textures.
• Abstract（参考訳）: テクスチャーは、実際の写真とコンピュータ生成画像の両方において、視覚的豊かさを高める上で重要な役割を担っている。 しかし、テクスチャを編集する過程には、テクスチャを定義する小さな局所的なパターンであるテクスチャの厳密かつ反復的な手作業による調整が伴うことが多い。 本研究では,テクスチャを表現するために,個々のテキストをキャプチャする合成ニューラルモデルを用いて,テクスチャを表現するための教師なしアプローチを提案する。 我々は,各テキストを,空間的支持がその形状を近似する2次元ガウス関数と,その詳細な外観を符号化する関連する特徴として表現する。 テクスチャをガウス文字の離散的な構成としてモデル化することにより、表現は表現性と編集の容易さの両方を提供する。 テクスチャは、潜伏空間内で構成ガウスを修飾して編集することができ、また、修正ガウスをジェネレータネットワークを介してフィードフォワード的に供給することにより、効率的に新しいテクスチャを合成することができる。 このアプローチは、画像テクスチャから他のイメージへの外観の移動、テクスチャの多様化、テクスチャ補間、テクスチャの変動の明示/修正、編集の伝播、テクスチャアニメーション、ダイレクトテキスト操作など、幅広いアプリケーションを可能にする。 提案手法は, テクスチャ解析, モデリング, 編集技術の進歩に寄与し, テクスチャを制御可能な視覚的に魅力的な画像を作成する新たな可能性を開く。

関連論文リスト

• 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)
• TextureDiffusion: Target Prompt Disentangled Editing for Various Texture Transfer [32.53299128227546]
  各種テクスチャ転送に適用可能なチューニング不要な画像編集手法であるTextureDiffusionを提案する。 自己アテンションのクエリ機能と残留ブロックの機能は、入力画像の構造を保存するために使用される。 背景を維持するために、自己注意結果と中間潜伏者をブレンドする編集ローカライゼーション手法を導入する。
  論文  参考訳（メタデータ） (2024-09-15T04:34:38Z)
• 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)
• 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)
• 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)
• 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)
• Controllable Person Image Synthesis with Spatially-Adaptive Warped Normalization [72.65828901909708]
  制御可能な人物画像生成は、望ましい属性を持つ現実的な人間の画像を作成することを目的としている。 本稿では,学習フロー場とワープ変調パラメータを統合した空間適応型ワープ正規化(SAWN)を提案する。 本稿では,テクスチャ・トランスファータスクの事前学習モデルを洗練するための,新たな自己学習部分置換戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-31T07:07:44Z)
• Co-occurrence Based Texture Synthesis [25.4878061402506]
  本稿では,共起統計に基づいて局所的に条件付けされた完全畳み込み生成対向ネットワークを提案し,任意に大きな画像を生成する。 本手法はテクスチャ合成のための安定的で直感的で解釈可能な潜在表現を提供する。
  論文  参考訳（メタデータ） (2020-05-17T08:01:44Z)

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。