.png){kind=icon}
返回
Interpretable procedural material graph generation via diffusion models from reference images
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04096-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
程序化材料通过算法过程生成，具有分辨率无关性、可编辑性和实时渲染能力等优势。尽管有这些优点，但构建程序化材料图仍然是一项劳动密集型任务。生成式神经网络，特别是扩散模型，在自动化这一过程方面显示出前景。然而，现有方法在生成质量、泛化和可解释性方面常面临问题。在本工作中，我们提出了一种基于扩散模型从参考图像生成可解释程序化材料图的新方法。我们的方法按反向顺序预测各个节点，利用扩散模型的生成能力，在生成质量、泛化和可解释性方面实现显著提升。具体而言，我们采用两阶段框架：基于适配器的扩散模型预测程序化节点，形成辅助图，随后使用基于DiffMat的节点参数优化方法进行细化。为验证我们方法的有效性，我们构建了一个包含大量节点级数据和信息的细粒度程序化材料图数据集。我们的代码和数据集可通过以下链接获取：https://github.com/InterS23/IPMGG。
Keyword:
Procedural material
Diffusion models
Texture generation
Procedural models
期刊
IF:
2.9
论文数:
4.7K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
CPoser: An Optimization-after-Parsing Approach for Text-to-PoseGeneration Using Large Language ModelsCPoser: 一种使用大型语言模型进行文本到位置生成的解析后优化方法
PREAI
分享收藏
查看更多内容