CN111695293B - 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 - Google Patents
一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 Download PDFInfo
- Publication number
- CN111695293B CN111695293B CN202010457356.3A CN202010457356A CN111695293B CN 111695293 B CN111695293 B CN 111695293B CN 202010457356 A CN202010457356 A CN 202010457356A CN 111695293 B CN111695293 B CN 111695293B
- Authority
- CN
- China
- Prior art keywords
- palette
- thumbnail
- color matching
- image
- convex hull
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 48
- 239000004753 textile Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title description 3
- 239000003086 colorant Substances 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法,包括以下步骤:步骤一,输入纺织品类设计图,从超大尺寸纺织品类设计图通过缩放得到缩略图,对缩略图进行图像颜色分解,在RGB颜色空间构建凸包,得到能代表图像色彩的调色板;步骤二,基于步骤一中的调色板。该方法基于神经网络技术与应用统计学图像分解技术,对纺织品类丝巾、服装与床品等超高分辨率花型设计图,基于给定的配色方案得到对应的配色设计图,首先利用神经网络算法得到初步配色结果,再结合图像颜色分解技术完成超大尺寸图的配色,并使最终配色结果保留更多原图的语义细节以适用于生产。
Description
技术领域
本发明涉及神经网络、图像颜色迁移领域、图像颜色分解领域,尤其涉及一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法。
背景技术
近年来,随着深度神经网络特别是卷积神经网络的发展,图像风格化、图像颜色迁移和图像分割等涉及图像的相关算法取得了巨大的成功。
借助深度卷积神经网络强大的特征及语义表达能力,并利用统计学信息( grammatrix)进行图像风格的转换,具有惊艳颜色迁移效果的研究相继出现。有外国学者提出在预训练的编码解码网络中利用协方差矩阵进行白化上色操作,并将网络结构微调,使用上池化层代替上采样层,提供池化层的掩码,能有效抑制颜色迁移过程中图像内容扭曲。尽管如此,神经网络的直接结果依旧会造成一些图像语义细节的丢失,其次诸多配色算法仅限于小尺寸图像,且配色结果不能连晒。而是纺织印染图像尺寸一般超过7K*5K并要求连晒,因此基于神经网络的配色算法无法直接应用在纺织品图像中。
图像颜色分解领域最近几年来出现众多基于调色板将图像分解成若干独立图层的工作,其中考虑到像素空间结构信息,在RGBXY五维空间进行分解可使所得图层空间分布更加平滑。颜色分解不仅要能提取图像表面上的颜色,还要捕捉到没有出现在图像上却构成图像本身的基础颜色,因此需要通过对包含所有图像像素颜色的凸包进行简化,从而提取出最能表达图像色彩的调色板。尽管图像分解后更容易地实现图像重编辑,但是需要人为干预与手动调试,因此无法满足用户全自动配色的需求。
现有的神经网络配色仅支持小尺寸图像配色、不连晒、丢失语义细节;图像分解技术需要人工干预,不能自动完成定向配色任务。
发明内容
本发明的目的在于提供一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法,以解决上述背景技术中提出现有的神经网络配色仅支持小尺寸图像配色、不连晒、丢失语义细节;图像分解技术需要人工干预,不能自动完成定向配色任务的问题。
本发明提出一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法,包括以下步骤:
步骤一,输入纺织品类设计图,从超大尺寸纺织品类设计图通过缩放得到缩略图,对缩略图进行图像颜色分解,在RGB颜色空间构建凸包,得到能代表图像色彩的调色板;
步骤二,基于步骤一中的调色板,对缩略图在RGBXY空间分解,其中 XY 是图像空间中像素坐标,得到图像每个像素点对应调色板色彩的缩略图权重w;
步骤三,输入配色方案,缩略图与配色方案图像通过结合了卷积神经网络和统计量的模型PhotoWCT,得到初步配色图;
步骤四,基于配色前后缩略图权重w基本保持不变,初步配色图与步骤一得到的调色板通过矩阵除法可得理论调色板信息;
步骤五,由于超大尺寸纺织品类设计图与缩略图调色板一致,基于步骤一调色板,对超大尺寸纺织品类设计图通过图像分解得超大尺寸纺织品类设计图各像素点对应调色板的设计图权重w’,由步骤四中的理论调色板与设计图权重w’通过矩阵乘法得到最终的配色结果大图。
优选的,使用超大尺寸输入图的缩略图通过配色神经网络,得到初步配色结果,使用图像颜色分解使得缩略图的配色效果迁移,以完成超大尺寸图的配色,并提高配色效果。
本发明的有益效果为:
1、本发明解决了纺织类超大尺寸设计图自动配色的问题,满足了纺织品图稿需要连晒的要求;在颜色倾向上接近领先的神经网络配色;在细节上保留更多的生产必须的语义信息;在整体配色效果上优于Pixelmator;在尺寸上兼容超大尺寸,可达18k*7k;在文件格式上兼容PSD,TIF,PNG,JPG,
2、该方法基于神经网络技术与应用统计学图像分解技术,对纺织品类丝巾、服装与床品等超高分辨率花型设计图,基于给定的配色方案得到对应的配色设计图,首先利用神经网络算法得到初步配色结果,再结合图像颜色分解技术完成超大尺寸图的配色,并使最终配色结果保留更多原图的语义细节以适用于生产。
附图说明
图1是本发明实施步骤流程图结构示意图;
图2是本发明神经网络主要结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本实施例提出了一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法,包括以下步骤:
步骤一,输入纺织品类设计图,从超大尺寸纺织品类设计图通过缩放得到缩略图,对缩略图进行图像颜色分解,在RGB颜色空间构建凸包,得到能代表图像色彩的调色板,具体实施步骤如下:
(1)获得缩略图:将纺织品类设计图保持长宽比例不变,缩放至较长边为750像素点的缩略图。
(2)获取调色板:缩略图在RGB颜色空间对包含所有图像像素颜色的凸包进行迭代以缩小凸包顶点数,凸包顶点(调色板颜色)通过设置最小重建误差来限制,从而提取出最能表达图像色彩的调色板,每次简化凸包时,凸包的某条边将坍塌至一点,这将会导致凸包体积增加,每次迭代时,依据体积最小增加原则选择合适的边,每次迭代时新产生的顶点会导致其他顶点非凸,所以需要重新计算凸包,开始重复上述操作直至超出最小重建误差(由于凸包的简化,会导致凸包将不再包含所有的图像像素,即产生重建误差),误差使用每个像素点与凸包间的均方根误差,若像素点在凸包内,则距离为0。
步骤二,基于步骤一中的调色板,对缩略图在RGBXY空间分解,其中 XY 是图像空间中像素坐标,得到图像每个像素点对应调色板色彩的缩略图权重w,具体实施步骤如下:
(1)缩略图在 RGBXY 空间构建凸包,其中 XY 是图像空间中像素的坐标,获得该空间下包含所有点的凸包顶点,凸包构建成功后,通过狄罗尼三角剖分( delaunaytessellation)在凸包中插入顶点进行曲面细分,得到若干不重叠的单流形,最终计算出五维空间下图像像素与凸包顶点的权重矩阵 w1。
(2)依据步骤(1)得到的凸包顶点索引,缩略图在 RGB 空间内找到相应的点作为凸包顶点,计算与步骤一得到的调色板间的权重矩阵w2:在RGB空间内,通过狄罗尼三角剖分在调色板中插入顶点,进行曲面细分,得到若干不重叠的单流形。
(3)计算缩略图像素与调色板的映射权重w,w=w1∗w2。
步骤三,输入配色方案,缩略图与配色方案图像通过结合了卷积神经网络和统计量的模型PhotoWCT,得到初步配色图,具体实施步骤如下:
(1)缩略图与配色方案图像分别经过编码网络得到图像特征。
(2)分别计算其Gram矩阵与特征值及特征向量,通过白化与上色操作使得缩略图融合配色方案图像的颜色。
(3)对步骤(2)的特征进行解码。
步骤四,基于配色前后缩略图权重w基本保持不变,初步配色图与步骤一得到的调色板通过矩阵除法可得理论调色板信息,具体实施步骤如下:
(1)理论调色板recolor = 图像2RGB空间各像素颜色值/ W。
步骤五,由于超大尺寸纺织品类设计图与缩略图调色板一致,基于步骤一调色板,对超大尺寸纺织品类设计图通过图像分解得超大尺寸纺织品类设计图各像素点对应调色板的设计图权重w’,由步骤四中的理论调色板与设计图权重w’通过矩阵乘法得到最终的配色结果大图,具体实施步骤如下:
(1)纺织品类设计图调色板与缩略图在步骤一中取得的调色板一致。
(2)与步骤二(1)相同,得到纺织品类设计图在RGBXY 空间下的凸包顶点,及其图像像素与凸包顶点的权重 w1’。
(3)与步骤二(2)相同,获取纺织品类设计图权重 w2’。
(4)计算纺织品类设计图像素与调色板的映射权重w’,w’ =w1’∗w2’。
(5)基于步骤四,最终的配色结果大图 I = w’ * recolor。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法,其特征在于,包括以下步骤:
步骤一,输入纺织品类设计图,从超大尺寸纺织品类设计图通过缩放得到缩略图,对缩略图进行图像颜色分解,在RGB颜色空间构建凸包,得到能代表图像色彩的调色板;
步骤一包括以下步骤:
(1)获得缩略图:将纺织品类设计图保持长宽比例不变,缩放至较长边为750像素点的缩略图;
(2)获取调色板:缩略图在RGB颜色空间对包含所有图像像素颜色的凸包进行迭代以缩小凸包顶点数,凸包顶点通过设置最小重建误差来限制,从而提取出最能表达图像色彩的调色板,每次简化凸包时,凸包的某条边将坍塌至一点,这将会导致凸包体积增加,每次迭代时,依据体积最小增加原则选择合适的边,每次迭代时新产生的顶点会导致其他顶点非凸,所以需要重新计算凸包,开始重复上述操作直至超出最小重建误差,误差使用每个像素点与凸包间的均方根误差,若像素点在凸包内,则距离为0;
步骤二,基于步骤一中的调色板,对缩略图在RGBXY空间分解,其中XY是图像空间中像素坐标,得到图像每个像素点对应调色板色彩的缩略图权重w;
步骤二包括以下步骤:
(1)缩略图在RGBXY空间构建凸包,其中XY是图像空间中像素的坐标,获得该空间下包含所有点的凸包顶点,凸包构建成功后,通过狄罗尼三角剖分在凸包中插入顶点进行曲面细分,得到若干不重叠的单流形,最终计算出五维空间下图像像素与凸包顶点的权重矩阵w1;
(2)依据步骤(1)得到的凸包顶点索引,缩略图在RGB空间内找到相应的点作为凸包顶点,计算与步骤一得到的调色板间的权重矩阵w2:在RGB空间内,通过狄罗尼三角剖分在调色板中插入顶点,进行曲面细分,得到若干不重叠的单流形;
(3)计算缩略图像素与调色板的映射权重w,w=w1*w2;
步骤三,输入配色方案,缩略图与配色方案图像通过结合了卷积神经网络和统计量的模型PhotoWCT,得到初步配色图;
步骤三包括以下步骤:
(1)缩略图与配色方案图像分别经过编码网络得到图像特征;
(2)分别计算其Gram矩阵与特征值及特征向量,通过白化与上色操作使得缩略图融合配色方案图像的颜色;
(3)对步骤(2)的特征进行解码;
步骤四,基于配色前后缩略图权重w基本保持不变,初步配色图与步骤一得到的调色板通过矩阵除法可得理论调色板信息;
步骤四包括以下步骤:(1)理论调色板recolor=图像2RGB空间各像素颜色值/W;
步骤五,由于超大尺寸纺织品类设计图与缩略图调色板一致,基于步骤一调色板,对超大尺寸纺织品类设计图通过图像分解得超大尺寸纺织品类设计图各像素点对应调色板的设计图权重w’,由步骤四中的理论调色板与设计图权重w’通过矩阵乘法得到最终的配色结果大图;
步骤五包括以下步骤:(1)纺织品类设计图调色板与缩略图在步骤一中取得的调色板一致;
(2)与步骤二(1)相同,得到纺织品类设计图在RGBXY空间下的凸包顶点,及其图像像素与凸包顶点的权重w1’;
(3)与步骤二(2)相同,获取纺织品类设计图权重w2’;
(4)计算纺织品类设计图像素与调色板的映射权重w’,w’=w1’*w2’;
(5)基于步骤四,最终的配色结果大图I=w’*recolor;
步骤一中,使用超大尺寸输入图的缩略图通过配色神经网络,得到初步配色结果,使用图像颜色分解使得缩略图的配色效果迁移,以完成超大尺寸图的配色,并提高配色效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457356.3A CN111695293B (zh) | 2020-05-27 | 2020-05-27 | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457356.3A CN111695293B (zh) | 2020-05-27 | 2020-05-27 | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695293A CN111695293A (zh) | 2020-09-22 |
CN111695293B true CN111695293B (zh) | 2023-10-13 |
Family
ID=72478371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010457356.3A Active CN111695293B (zh) | 2020-05-27 | 2020-05-27 | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610725A (zh) * | 2021-08-05 | 2021-11-05 | 深圳市慧鲤科技有限公司 | 图片处理方法、装置、电子设备及存储介质 |
CN115457167B (zh) * | 2022-09-21 | 2023-06-09 | 山东大学 | 基于色彩排序的调色板设计系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5473736A (en) * | 1992-06-08 | 1995-12-05 | Chroma Graphics | Method and apparatus for ordering and remapping colors in images of real two- and three-dimensional objects |
JP2009272665A (ja) * | 2008-04-30 | 2009-11-19 | Dainippon Screen Mfg Co Ltd | 画像処理装置、画像処理方法およびプログラム |
CN105303587A (zh) * | 2015-10-10 | 2016-02-03 | 安徽工业大学 | 一种自动化的图形智能配色方法 |
CN109102457A (zh) * | 2018-06-12 | 2018-12-28 | 杭州米绘科技有限公司 | 一种基于卷积神经网络的智能化变色系统及方法 |
CN109582994A (zh) * | 2018-07-30 | 2019-04-05 | 浙江理工大学上虞工业技术研究院有限公司 | 一种色纺纱智能选色配色方法 |
CN109920012A (zh) * | 2019-02-25 | 2019-06-21 | 西南石油大学 | 基于卷积神经网络的图像着色系统及方法 |
CN110458906A (zh) * | 2019-06-26 | 2019-11-15 | 重庆邮电大学 | 一种基于深度颜色迁移的医学图像着色方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937759B2 (en) * | 2002-02-28 | 2005-08-30 | Nokia Corporation | Method and device for reducing image by palette modification |
-
2020
- 2020-05-27 CN CN202010457356.3A patent/CN111695293B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5473736A (en) * | 1992-06-08 | 1995-12-05 | Chroma Graphics | Method and apparatus for ordering and remapping colors in images of real two- and three-dimensional objects |
JP2009272665A (ja) * | 2008-04-30 | 2009-11-19 | Dainippon Screen Mfg Co Ltd | 画像処理装置、画像処理方法およびプログラム |
CN105303587A (zh) * | 2015-10-10 | 2016-02-03 | 安徽工业大学 | 一种自动化的图形智能配色方法 |
CN109102457A (zh) * | 2018-06-12 | 2018-12-28 | 杭州米绘科技有限公司 | 一种基于卷积神经网络的智能化变色系统及方法 |
CN109582994A (zh) * | 2018-07-30 | 2019-04-05 | 浙江理工大学上虞工业技术研究院有限公司 | 一种色纺纱智能选色配色方法 |
CN109920012A (zh) * | 2019-02-25 | 2019-06-21 | 西南石油大学 | 基于卷积神经网络的图像着色系统及方法 |
CN110458906A (zh) * | 2019-06-26 | 2019-11-15 | 重庆邮电大学 | 一种基于深度颜色迁移的医学图像着色方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111695293A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695293B (zh) | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 | |
CN111986075B (zh) | 一种目标边缘清晰化的风格迁移方法 | |
CN106713923A (zh) | 三维建模对象的压缩 | |
CN109146808B (zh) | 一种人像美型方法和系统 | |
JPH1091809A (ja) | 関数演算プロセッサ制御マシンの操作方法 | |
CN109903236A (zh) | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 | |
CN108171776B (zh) | 一种基于改进的卷积神经网络实现图像编辑传播的方法 | |
CN112686816A (zh) | 一种基于内容注意力机制和掩码先验的图像补全方法 | |
CN109165733A (zh) | 多输入多输出矩阵最大值池化向量化实现方法 | |
CN103413331B (zh) | 一种支持编辑传播的高分辨率视频图像内容稀疏表达方法 | |
CN102509356A (zh) | 使用网格细分的细节保留几何模型变形方法 | |
CN103337085A (zh) | 一种高效的人像面部变形方法 | |
CN107767357A (zh) | 一种基于多方向字典的深度图像超分辨率方法 | |
CN104331883B (zh) | 一种基于非对称逆布局模型的图像边界提取方法 | |
CN113807497A (zh) | 一种增强纹理细节的非配对图像翻译方法 | |
CN110322548B (zh) | 一种基于几何图像参数化的三维网格模型生成方法 | |
CN117078556A (zh) | 一种水域自适应水下图像增强方法 | |
CN109840924B (zh) | 一种基于串联对抗网络的产品图像快速生成方法 | |
CN116757953A (zh) | 基于深度学习多阶局部注意力和混合注意力的图像去噪方法 | |
CN114882197B (zh) | 一种基于图神经网络的高精度三维人脸重建方法 | |
CN115082597A (zh) | 基于调色板的图像重着色方法和系统 | |
CN115222894A (zh) | 一种基于laplace优化的图像拓扑变形方法 | |
Zheng et al. | Research on 3D Object Reconstruction Based on Single-view RGB Image | |
CN111260755A (zh) | 基于深度学习与数字图像处理的数字扎染图案生成方法 | |
Huang et al. | A GPU implementation of watercolor painting image generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |