A geometrically aware auto-encoder for multi-texture synthesis
Résumé
We propose an auto-encoder architecture for multi-texture synthesis. The approach relies on both a compact encoder accounting for second order neural statistics and a generator incorporating adaptive periodic content. Images are embedded in a compact and geometrically consistent latent space, where the texture representation and its spatial organisation are disentangled. Texture synthesis and interpolation tasks can be performed directly from these latent codes. Our experiments demonstrate that our model outperforms state-of-the-art feed-forward methods in terms of visual quality and various texture related metrics. The code is available online.
Dans cet article, nous proposons une architecture d'auto-encodeur pour la synthèse multi-textures. L'approche repose à la fois sur un encodeur compact tenant compte des statistiques de second ordre des features issues de réseaux profonds et sur un générateur incorporant un contenu périodique adaptatif.
Les images sont intégrées dans un espace latent de texture géométriquement cohérent, permettant de séparer la représentation de la texture et son organisation spatiale.
Les résultats de nos expériences démontrent que notre modèle surpasse les méthodes de l'état de l'art en termes de qualité visuelle et de vitesse. Notre approche est également adaptée aux manipulations spatiales de la texture, telles que l'interpolation et l'expansion.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|