論文の概要: Hyperstroke: A Novel High-quality Stroke Representation for Assistive Artistic Drawing
- arxiv url: http://arxiv.org/abs/2408.09348v1
- Date: Sun, 18 Aug 2024 04:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 21:09:49.059008
- Title: Hyperstroke: A Novel High-quality Stroke Representation for Assistive Artistic Drawing
- Title（参考訳）: Hyperstroke: アート描画のための新しい高品質なストローク表現
- Authors: Haoyun Qin, Jian Lin, Hanyuan Liu, Xueting Liu, Chengze Li,
- Abstract要約: 細かなストロークの詳細を正確に把握するための新しいストローク表現であるハイパーストロークを導入する。
直感的でユーザフレンドリな描画アプリケーションを実現するために,トランスフォーマーアーキテクチャによる支援描画をモデル化することを提案する。
- 参考スコア（独自算出の注目度）: 12.71408421022756
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Assistive drawing aims to facilitate the creative process by providing intelligent guidance to artists. Existing solutions often fail to effectively model intricate stroke details or adequately address the temporal aspects of drawing. We introduce hyperstroke, a novel stroke representation designed to capture precise fine stroke details, including RGB appearance and alpha-channel opacity. Using a Vector Quantization approach, hyperstroke learns compact tokenized representations of strokes from real-life drawing videos of artistic drawing. With hyperstroke, we propose to model assistive drawing via a transformer-based architecture, to enable intuitive and user-friendly drawing applications, which are experimented in our exploratory evaluation.
- Abstract（参考訳）: 補助図面は、芸術家にインテリジェントなガイダンスを提供することによって創造的なプロセスを促進することを目的としている。
既存のソリューションは、複雑なストロークの詳細を効果的にモデル化したり、図面の時間的側面に適切に対処するのに失敗することが多い。
RGB外見やαチャネル不透明度を含む細かなストロークの詳細を正確に捉えるために設計された,新しいストローク表現であるHyperstrokeを導入する。
ベクトル量子化アプローチを用いて、ハイパーストロークは、アートドローイングのリアルライフドローイングビデオからストロークのコンパクトなトークン化表現を学習する。
ハイパーストロークを用いてトランスフォーマーアーキテクチャを用いて補助描画をモデル化し,直感的かつユーザフレンドリな描画アプリケーションを実現することを提案する。
関連論文リスト
- Emergence of Painting Ability via Recognition-Driven Evolution [49.666177849272856]
脳卒中枝とパレット枝を併用したモデルを提案する。
マシンビジョンで達成した認識精度を計測することにより、視覚コミュニケーションの効率を定量化する。
実験結果から,本モデルは高次認識タスクにおいて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-01-09T04:37:31Z) - LineArt: A Knowledge-guided Training-free High-quality Appearance Transfer for Design Drawing with Diffusion Model [8.938617090786494]
複雑な外観を詳細な設計図に転送するフレームワークであるLineArtを紹介する。
階層的な視覚認知をシミュレートすることで、構造的精度を維持しつつ、高忠実な外観を生成する。
正確な3Dモデリング、物理的特性仕様、ネットワークトレーニングは必要とせず、設計作業に便利である。
論文 参考訳（メタデータ） (2024-12-16T07:54:45Z) - Sketch-Guided Motion Diffusion for Stylized Cinemagraph Synthesis [15.988686454889823]
Sketch2Cinemagraphは、フリーハンドスケッチからスタイリングされたシネマグラフの条件付き生成を可能にするスケッチ誘導フレームワークである。
生成した景観画像の流動領域における運動場を推定する新しい潜在運動拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-12-01T01:32:59Z) - PatternPortrait: Draw Me Like One of Your Scribbles [2.01243755755303]
本稿では,絵画から抽象的な肖像画を作成する方法を紹介する。
その独特のスタイルは、単一のフリーハンドパターンのスケッチを参照として利用して、シェーディングのためのユニークなパターンを生成する。
この方法は、画像から顔や身体の特徴を抽出し、それらをベクトル線に変換する。
論文 参考訳（メタデータ） (2024-01-22T12:33:11Z) - SketchDreamer: Interactive Text-Augmented Creative Sketch Ideation [111.2195741547517]
画像の画素表現に基づいて訓練されたテキスト条件付き拡散モデルを用いて,制御されたスケッチを生成する手法を提案する。
我々の目標は、プロでないユーザにスケッチを作成させ、一連の最適化プロセスを通じて物語をストーリーボードに変換することです。
論文 参考訳（メタデータ） (2023-08-27T19:44:44Z) - SENS: Part-Aware Sketch-based Implicit Neural Shape Modeling [124.3266213819203]
SENSは手描きスケッチから3Dモデルを生成し編集するための新しい手法である。
SENSはスケッチを分析し、部品をViTパッチエンコーディングにエンコードする。
SENSは部分再構成による精細化をサポートし、微調整とアーティファクトの除去を可能にする。
論文 参考訳（メタデータ） (2023-06-09T17:50:53Z) - I Know What You Draw: Learning Grasp Detection Conditioned on a Few
Freehand Sketches [74.63313641583602]
そこで本研究では,スケッチ画像に関連のある潜在的な把握構成を生成する手法を提案する。
私たちのモデルは、現実世界のアプリケーションで簡単に実装できるエンドツーエンドで訓練され、テストされています。
論文 参考訳（メタデータ） (2022-05-09T04:23:36Z) - 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) - B\'ezierSketch: A generative model for scalable vector sketches [132.5223191478268]
B'ezierSketchは、完全ベクトルスケッチのための新しい生成モデルであり、自動的にスケーラブルで高解像度である。
まず,各ストロークを最適なB'ezier曲線に埋め込むようにエンコーダを訓練する。
これにより、スケッチをパラマタライズされたストロークの短いシーケンスとして扱うことができ、これにより、より長いスケッチのために、より多くのキャパシティを持つ再帰的な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） (2020-07-04T21:30:52Z)
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。