Modèles de diffusion pour la synthèse de textures anisotropes
Résumé
Anisotropic textures, characterized by direction-dependent statistical properties, play an important role in domains like material science and computer graphics. However, synthesizing these textures accurately poses a significant challenge. In this study, we explore the potential of diffusion models to generate anisotropic textures. We employ a U-Net-based diffusion model, trained on a dataset of anisotropic textures, to produce samples. To evaluate the quality of these generated textures, we use a set of six directional functions acknowledged for their ability to measure anisotropy across various scales and orientations. Our results indicate that the diffusion model effectively synthesizes anisotropic textures, achieving high fidelity in reproducing directional properties across multiple scales.
Les textures anisotropes, caractérisées par des propriétés statistiques dépendantes de la direction, jouent un rôle important en science des matériaux, informatique graphique et pour les applications biomédicales. Cependant, la synthèse précise de ces textures constitue un défi. Dans cette étude, nous explorons le potentiel des modèles de diffusion pour générer des textures anisotropes. Nous utilisons un modèle de diffusion construit à partir d'une architecture U-Net, entraîné avec un ensemble de textures anisotropes. Pour évaluer la qualité des textures générées, nous employons une transformée en ondelettes directionnelles (dual-tree complex wavelet transform), qui permet de quantifier l'anisotropie. Nos résultats indiquent que le modèle de diffusion synthétise efficacement des textures anisotropes, atteignant une grande fidélité dans la reproduction des propriétés directionnelles à travers de multiples échelles.