分析式纹理合成技术及其在深度学习的应用

摘要：

当前国际主流的非参数和参数法分析式纹理生成技术,对于计算机视觉领域的图像纹理合成具有一定的借鉴意义.在概括总结与比较分析式纹理生成技术原理、框架结构、应用发展趋势及其优缺点的基础上,分析了基于graph cut模型的非参数法、基于P&S模型的参数法两种典型的纹理生成技术以及广泛应用于图像处理领域的深度学习新技术—卷积神经网络(CNN)的结构与原理,进一步讨论了以基于CNN的Caffe网络框架及在2014年ImagNet图像分类和目标识别大赛上取得优异成绩的VGG模型为基础的分析式纹理生成模型VGG-19的工作原理及其在人脑视觉分析研究方面的应用.分析结果表明:相对于普通参数法和基于CNN网络模型的参数法,非参数法具有更快的处理速度,可生成更高视觉质量与更多种类的目标纹理图;参数法适合作为纹理合成领域的分析研究工具;卷积神经网络应用到参数法中,可大幅缩短特征量设计与参数调整周期并提高合成效果,进一步提升了参数法作为理论分析和应用实现工具的价值.

关键词：分析式纹理合成法、非参数法纹理生成、参数法纹理生成、深度学习、卷积神经网络、VGG-19

所属期刊栏目：27

分类号：TP37(计算技术、计算机技术)

在线出版日期：2017-12-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：7-13