.png){kind=icon}
返回
FacadeGAN: Facade Texture Placement with GANs
.png){kind=icon}
PRE
AI
DOI：10.3390/app16020860.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种纹理感知的图像合成框架，旨在利用对抗学习生成材质一致的立面。所提出的架构整合了掩码引导的通道级注意力机制，自适应地将分割信息与纹理统计量融合，以协调结构引导与纹理保真度。通过三种内部变体——基础生成对抗网络（Vanilla GAN）、Wasserstein GAN（WGAN）和WGAN-GP——与领先基线（包括TextureGAN和Pix2Pix）进行了全面的比较分析。评估采用了包含SSIM、FID、KID、LPIPS和DISTS的综合性多指标框架，并结合基于VGG-19的感知损失。实验结果表明，像素级精度与感知真实感之间存在显著差异；尽管现有基线达到了较高的PSNR值，但建议的基础GAN和WGAN模型表现出增强的感知保真度，实现了最低的LPIPS和DISTS分数。WGAN-GP模型虽然在理论上更稳定，但由于梯度惩罚项的正则化，产生了更平滑但纹理复杂度较低的图像。消融研究进一步验证了注意力机制在所有拓扑结构中始终增强了结构对齐和纹理清晰度。因此，本研究表明，通过基于注意力的融合增强的基础GAN和WGAN架构，为高频纹理生成应用提供了现实感与结构保真度之间的最佳平衡。
Keyword:
texture synthesis
Generative Adversarial Network (GAN)
Wasserstein GAN (WGAN)
WGAN-GP
perceptual loss
material-aware image generation
texture reconstruction
architectural visualization
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Research on predicting building façade deterioration in winter cities using diffusion model使用扩散模型预测冬季城市建筑立面退化的研究
OAAI
OAAI分享收藏Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏Bulbul, A. Procedural generation of semantically plausible small-scale towns. Graph. Model. 2023, 126, 101170. [Google Scholar] [CrossRef]Bulbul, A. 小尺度城镇的语义合理程序化生成. Graph. Model. 2023, 126, 101170. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容