文摘
人们越来越不舒服在内容形式的数据在这个时期发展的科学和技术进步。油画也以前所未有的方式挑战现代图像处理技术作为人的主要数据来源,它在艺术创作领域产生巨大的影响。因此,我们提出一个升级卷积神经网络(U-CNN)风格渲染模型的增强应对上述挑战。最初,收集数据去噪和增强的预处理阶段消除噪声,提高数据的质量。采用伽柏过滤器银行(GFB)在特征提取阶段从规范化数据中提取一些特性。对于风格呈现的应用模型,该方法是利用。此外,通过运用3 ds MAX模型,生成三维(3 d)油画。最后,检验该方法的性能,与其他现有方法相比得到该方法的有效性。研究结果以图表形式描述采用原点的工具。
1。介绍
历史和民族油画艺术形式其艺术价值和文化传播和数字遗产的重要性。油画艺术用品包括民族传统文化、民族精神和审美情趣。跨文化传播和继承的油画艺术有新的机遇和挑战随着文化交流的增加在当代社会的许多领域。油画保存多年。铅和汞等有毒物质能引起变色、发黄。这些特性将限制油画的传播。此外,文化差异和认可将阻碍最优传播。全球化和当地文化已经成为社会热点话题和学者由于复杂的多元文化背景,信息技术的快速发展,全球化和一体化和保护当地的文化。油画的美在于它的许多视觉解释和神奇的方法。人的专业知识和汗水创造了几千年的历史油画技巧。 Colors used in transparent overcoloring or multilayer drawing are not mixed with white but diluted by toner. After each layer becomes dry, color the next layer. Because each layer’s color is thinner, the bottom layer’s color may be visible, resulting in a subtle tint that fluctuates with the top layer’s color. Opaque overcoloring is also called layered coloring. A single color is used to draw the body’s contour, and subsequently colors are utilized to sculpt it in layers. Dark portions are painted thinner, whereas medium and light areas are painted thicker, covered, or left [1]。
颜色是真正的3 d对象的重要特征已经被证明具有挑战性的复制。加法制造颜色数字化3 d增强现实方面的白衬衫在几个领域。材料喷射是七聚合物添加剂制造方法之一。三到六大油墨和更多的现货颜色研究了彩色3 d建模中的应用。但传统的手动复制和图形打印方法难以正确地复制组件的油画。结果,小变化在数字油画的捕获丢失。油画现在可能3 d扫描由于微观三维扫描设备的开发和改进获取算法。复杂的颜色信息颜色3 d模型由3 d扫描数据的油画和当前颜色3 d打印机的最大打印精度的限制导致了楼梯的效果(2]。如果使用成功,教育环境的技术可能是一个至关重要的元素。当学校开始使用3 d打印机,一个新的创意过程。这种技术可用于课堂,鼓励学生参与和好奇心。学生产生新的想法和驱动程序时,他们正在研究并生成一些实用连接到他们的研究。重要的是要认识到集成和合作教育的重要性。技术设备的使用率上升的学生也可能导致新想法。这些发现帮助我们思考3 d打印技术如何提高学习。艺术提高课程及其参与可能会延长教育理念。儿童和成人都喜欢创造性的工艺。 When grownups are happy, children are happy. Teachers may advise students and help them to generate creative and original work [3]。汽车编码器和生成对抗网络(GAN)两个杰出的图像生成方法已经进化与深层神经网络在计算机视觉。Pix2pix学会了转换规则在许多成对的照片。周期GAN克服需要配对图片通过学习共同特征在两组分类的照片。它仍然创造了油画的照片和取代了马和斑马(4]。同时,高保真油画需求的增长,然而传统的手动复制和图形打印技术难以精确地再现分钟一幅油画的元素。结果,不同的微小差异的重要签名在数字油画的捕获丢失。小3 d扫描机器允许快速和精确的3 d扫描的油画。复杂的颜色信息颜色创建3 d模型三维扫描数据的油画和当前颜色3 d打印机的最大打印精度的限制导致了楼梯现象(5]。所以,我们提供一个升级卷积神经网络(U-CNN)风格呈现增强模型。收集数据,然后在预处理去除噪声去噪和升级,提高数据质量。在特征提取步骤中,使用PCA提取规范化数据的许多特性。建议技术用于风格呈现模型。
剩余的描述分为4部分:第二部分:相关工作和问题定义。第三部分:提出的方法。第四部分:结果和讨论。第五部分:结论。
2。相关的工作
在[6),许多疾病有多个牙原性角化。一名12岁的女青年有几个牙原性的角。研究没有发现其他异常的一个条件的说明。在[7),个性化医疗使用细粒度的数据,以确定具体的偏离正常。这些发展中数据驱动的医疗方法在概念上和伦理上在工程中使用“数字双胞胎”调查。物理构件耦合使用数字技术,不断代表他们的国家。可以观察到道德差异基于数据结构和解释强加给他们。数字双胞胎的伦理和社会影响。医疗体系日益数据驱动。这种技术可以通过提供有效的社会均衡器均衡增强策略。在[8),过敏性鼻炎将是一个长期的全球流行。台湾医生通常用中医或中西药物治疗。中医门诊治疗呼吸系统疾病主要是过敏性鼻炎。他们比较传统中药与西方医学疗法治疗过敏性鼻炎在台湾。在[9),使用高剂量率近距离放射疗法(HDR)避免放射性,允许门诊治疗,减少诊断时间。单步源也可以提高剂量分散通过调整延迟时间在每一个停留的位置。较短的处理时间间隔需要不允许任何错误检查,和不准确的地方可能会伤害人。因此,HDR近距离放射疗法治疗应该执行正常。在[10),本研究提出了一个治疗以及生活污水技术改善农村环境。在[11)、土壤样本选择蔬菜农场在扎姆法拉州,尼日利亚已进行理化检测和有机氯农药。测试过程和数据使用QuEChERS和gc - ms分析。在[12),目标是专注于使用3 d成像技术重建印象派油画。使用点云三维重建(PB)检查。在[13),本研究提出了一种新的利用3 d印刷油画复制过程。首先,油画的摄影测量完成三维重建;颜色,和3 d几何信息更好的恢复通过捕获几正射影像地图,和建模的正确性是保证控制网或压扁。的主要目的14)是正确识别执行这个伟大的画家的风格,调色板,任何非法干预措施。对于这部分,3 d摄影测量调查使我们能够无创评估恢复区域和适当的程度映射域的各种油画。在[15),作者建议multianalytical策略成功地获得肖像的,形态,结构,组成数据的艺术品。收集的数据不仅有助于保护和保存的艺术品,而且还表明,Fevere使用相同的大规模的初步草图(纸箱),鲁本斯准备他的油画颜料用于绘画。在[16),因为3 d水墨渲染模型差油墨浓度控制和模型创建效率、多通道三维水墨渲染模型基于最小均方(LMS)算法。利用局部搜索方法得到水墨画的特点。LMS算法过滤器原始数据的墨水画。迭代计算允许3 d水墨画的动态描述。的目标(17)是优化油画创作。很明显,数字图像技术和油画生产强连通和称赞。重点是利用计算机图形学技术几种常见油画方法使完成的作品更有吸引力和创造力,并促进使用图像处理和计算机辅助技术在油画生产。在[18),本文提出了一种产生3 d风景的水墨画技术包括山、雾、和水。这种方法生成的特征线从山模型基于曲率和复制的宣纸和胡安的纹理。完成场景,他们加入了雾和水波效果。在[19],作者建议工业3 d打印技术变得越来越常见,是时候谈论高保真三维对象复制,特别是颜色。只有少数研究看着准确的色彩再现,3 d印刷材料普遍的色彩再现方法。在[20.)方面的数据收集和准备数据融合是这项工作的主题。一个新的3 d技术基于多个激光源将以描述比较当前设备和技术广泛用于文化遗产和展示研究可能会试图把游戏化与诊断和修复支持在这一领域。
2.1。问题陈述
此外,由于3 d打印机使用更多的能量比传统生产设备,操作机器的成本可能大于传统的齿轮。以下材料应考虑:材料成本往往是最昂贵的3 d印刷过程的组件。3 d建模是创建一个条目的数学表示的行为或表面的方式它看起来如果测量宽度、广度和深度。3 d渲染的过程是将三维模型转化为低质量的视觉效果,更详细的,不切实际的。高内存利用率可能会导致你的场景崩溃或渲染得太慢。只是软件必须写/从硬盘读取临时数据。硬盘比内存慢1000倍,甚至是固态硬盘(ssd)。
3所示。提出工作
在这个研究中,我们引入一个U-CNN。这是紧随其后的是预处理来消除噪声,提高数据质量。有些特性是使用GFB从规范化数据中提取。该方法用于风格呈现。此外,3 d油画是使用3 ds MAX生成模型。图1这项研究描述了完整的流程。
3.1。数据集
7500中国传统颜料(安全和)以及8800年油画(OPs)被用于研究[21]。创建一个新类为每个绘画。将有156张图片在每一个类图像增强后完成。统计现在有1175000和1375000例样本。
3.2。数据预处理
3.2.1之上。使用中值滤波去噪
在数字成像,曼氏金融是一个非线性过滤,用来消除失真的数据集。MF是经常使用,因为它可以保持边缘时消除失真在某些情况下。过滤一幅window-wise与MF替换每个元素的中点下一个最亲密的人。MF是一种非线性平滑方法,完全消除了噪声,同时仍然保留边缘对某些声音(如随机噪声和salt-pepper噪声)。黑色素瘤的边缘仍然是最重要的方面,因为大多数癌细胞有结节状的形状。一个有效的诊断,边缘的形状包含关键数据。因此,在预处理MF是至关重要的,因为它保留了边缘设计。图2显示了曼氏金融的功能(中值滤波)。
3.2.2。Contour-Based图像增强(CIE)
概述了CIE是一个重要的关键。通过使用CIE,皮肤病变的边界可以检索。病变部分的数字图像中轮廓。最后,实际的图像和皮肤损伤是由结合生成的二进制映像的一部分以及实际的图像。它可以遵循时空上移动的方向。这种方法特别有用在医学影像领域以来,艾滋病增加对比,尤其是每当ROI和环境也有类似的反差值。对比增强指数(CAI)公式是用来描述图像的对比作为参数。 在哪里代表值的对比图像和处理代表实际的图像的对比的价值。 在哪里米代表图像的灰度值的“前景”年代代表了灰度图像的“背景”的价值。
3.3。特征提取使用伽柏过滤器银行(GFB)
GFB通常用来检索特征在画画,它可以检索空间/频率数据。振幅、阶段和方向是由GFB三种特征。一个正弦平面波调节这种滤波器高斯包络。整个空间区域,伽柏过滤器声明如下:
在这里, 在哪里fc中心频率(f马克斯=¼)和是方向。
中心频率的比例是高斯包络的大小使用评估t以及n。在这里, 一直是最广泛使用的变量。
在本研究中,我们使用一个过滤器银行5鳞片和8个方向来获取不同的信息在画画,c4 = 1d= 0到7。
考虑我(x,y)成为一幅灰度图像,特征提取过程如下: 在哪里 代表复杂的滤波结果。
3.4。应用程序使用CNN的风格呈现模型
3.4.1。图片风格渲染过程
图像风格渲染方法分为2个阶段:培训和执行。变换网络模型训练在每个风格的地图y选择在训练阶段。每次训练集重新运行,一套新的样本是地图生成的内容。迭代的迭代之后,X和Y从转换风格结构随机运输到判别结构D。通过比较敌对的损失函数,网络D决定的内容X或Y如果风格y或Y,然后反馈信息回网络T。T然后对权重使任何必要的更改和设置在移动到下一个迭代。一个不断优化的过程发生在网络上D为了发现更多的差异。最终的目标是创建一个Y风格的图像转换网络模型。实时转换映射到任何内容Ystyle-impact图片是通过喂养成一个模型,是训练有素的。这意味着真正的基础保持不变。作为显示在图3,本研究增强了图像绘画艺术风格渲染网络。
3.4.2。图片风格转换网络
图3描述图片风格转换的基础设施。ResNet包含3卷积与5层残块,如图4(一)。除了为输出层,所有nonresidual卷积层采用ReLU激活函数为输出层。没有池层是采用卷积和跨步或microstride卷积可用于upsampling,导致大规模的视野和保持图像对象的过度变形。这个过程也降低了参数。
(一)
(b)
很明显,正常化是应用于一个单一的图片,而不是使用实例时收集的图像正常化减少批次1。图4 (b)实例表明,网络增强了正常化优于在测试阶段的绘画艺术风格渲染。
3.4.3。判别网络
图5描述了多层CNN用于判别网络d .所有的隐藏层被批规范化和LeakyReLU激活。层1、4、6和8是用来确定感知损失造成的生成的图像与风格的对比图像。如果图片与实际数据集(真正的),然后返回的可能性判断网络形成的风格转换网络;否则,它将返回0(假)。
3.4.4。内容的损失函数
内容损失函数(P我)计算图像平面上的损失(l2)生产的隐藏图片Y和实际的绘画风格的图片X使用曼哈顿距离如下: 在哪里H我代表我th隐层的l2价值在D网络。
不同程度的损失可以用如下内容根据提供的概念: 在哪里λ我区分“代表平衡因素N“隐藏层我。
生产图片和内容图片有一个类似的内容结构由于减少了知觉损失函数l内容。
3.4.5。风格损失函数
因为风格损失函数被用来补偿结果图片的风格偏差,结合颜色、纹理,本文采用的风格重建方法,它是基于结果图像之间的距离和样式图片格拉姆矩阵。
风格流失的特征映射我的价值th层D-network变得
本工作描述(Y年代,Y)就像一个收集的损失(每层总亏损)在强调风格重建很多层的能力。
3.4.6。知觉敌对的损失函数
线性函数,总感知损失包括一个混合的内容与风格损失损失,可能代表如下: 在哪里λc和λ年代是重量因素。
总感知损失分数用来增强风格转换网络T和D网络。的损失函数T和D制定的生产照片吗Y、内容图片X,和风格的照片y。
根据公式(11),我们指定一个积极的边界值米。我们减少lT使用变量的系统T,这可能会增加第二和第三的元素lD与此同时,因为积极的边界值米可能导致3理查德·道金斯期限lD完成梯度下降法。每当lT要小于米的损失函数lD应计算剩下的差异通过更新判别系统一个新的更大的程度上。结果,许多创建之间的对比图片和样式图片可能会不断地观察和分析了经历了损失。
这幅画风格呈现系统这一代网络如图6。
3.4.7。编码器
输入图片处理使用CNN提取特征。在1圣卷积层(Conv图层1),过滤器的数量被定在64年。结果1圣卷积层被传播到2nd卷积层(Conv 2层),共有128过滤器。3理查德·道金斯卷积层(Conv第三层)使用相同的连接和数据传输策略1圣和2nd层。第三个卷积层的数量限制在256。编码器接收到一个256×256图片作为输入以及提取256(64×64)的特征向量。
3.4.8。转换器
转换器的目标是许多检索功能集成,并使用它们来找出如何翻译图片的特征向量X-area(图片风格模型)对Y-area特征向量(创建图片)。
特征向量转换使用6-layer ResNet单元,见以下方程: 在哪里Hl代表非线性变换函数,fl−1代表了第一层的输入特征,fl代表第一层的风格转换输出的特点,l表示层。
在更换通常ResNet模型中,变频器采用DenseNet设计。DenseNet设计有助于减少梯度消失,改善传输特性,以及减少复杂性。DenseNet设计模块的链接,让他们更好地耦合之间的数据流。通过以下方程,DenseNet模型的lth从之前的模块映射模块接收功能。
DenseNet单元包括到转换器在这项研究中减少模型的参数,消除拟合问题,减少计算时间。
3.4.9。译码器
编码器译码器的变化方向,采用三级反褶积层(Deconv层)逐渐恢复图像的低层特征的特征向量到图片。表1提供了内部的编码器、变频器和译码器。
3.4.10。鉴频器
我们喂图片到鉴频器在这个模型中,决定是否源图像或一个由发电机。鉴频器的照片输入分为众多的70×70张照片碎片。系统可变输入图像分层技术,区分每个图像块通过一维输出卷积层,并使用每个图像块的判断结果的均值作为图片判断结果鉴别器的识别阶段。
4所示。性能分析
本文的实验是在一个设置进行如下:64位操作系统与3.20 GHz Intel Core i7 - 9700 k的处理器。Pytorch 1.10是一个深度学习平台为Windows 10。关于CNN实现,这个开源平台主要是发达在Python中,可以使用在任何环境。大约70%的数据生成用于培训,测试验证为15%,15%。在这里,该技术的性能指标的准确性,信息损失,损失函数的平均值,时间消耗进行检查,与现有技术相比。
4.1。精度
像素的比例在正确识别的图片可能被用来作为一个额外的统计评估分割。通常包括单独的类中,像素精度通常是作为一个整体在所有类别。现有的和拟议的方法的准确性是描绘在图7。
4.2。的信息丢失
信息损失还用于表示无法检索所有信息可以在统计研究关于一个特定的主题。信息损失的速率现有和拟议的方法描绘在图8。
4.3。时间消耗
所花费的总时间,人们使用特定的工作被称为时间消费。时间消耗现有的和拟议的方法在图中进行了描述9。
4.4。损失函数的平均值
一个定量模型的损失函数建立一个让一个不准确的预测结果。估计的精度通常是衡量不同于实际数量是多少,但也可以指定一个简单的二进制值基于预测看起来是否指定范围内有效。损失函数的平均值现有和拟议的方法描绘在图10。
4.5。讨论
在纹理图像压缩算法(现有的),纹理映射方法,提出解决存在的实际时间和现实之间的差异。自成立以来,它一直是许多研究的主题和应用。由于限制带宽和内存存储,提出了困难在染色剂染色大量巨大的纹理图片;因此,使用纹理压缩。不仅纹理压缩会增加缓存使用利率还能显著减轻压力产生的数据传输系统,进而导致解决问题的实时呈现逼真的视觉效果在很大程度上。纹理图像压缩的独特性,不仅是至关重要的评估质量的压缩比和压缩后的纹理图像,而且如果技术兼容不受欢迎的显卡以及压缩比(22]。在P2甘(现有)方法nonconvergence发生在模型参数波动,破坏,从未达到收敛的状态。模式崩溃发生在发电机崩溃,导致限制数量的样本的变化。梯度时减少鉴别器太成功,生成梯度消失,鉴别器学习任何[23]。在芯片GAN(现有的),实际的西方绘画使用样式创建转移技术应用于照片。然而,由于中国和西方绘画中使用的绘画技术是完全不同的,仅仅使用当前的方法转移中国的水墨画风格不会提供足够的结果(24]。在甘周期(现有)方法每个输入图像与一个单一的输出图像,这是一个基本CycleGAN的缺点。我们认为大多数跨域连接复杂,应该描述成多对多。考虑到这些问题,我们开发了U-CNN风格呈现增强模型。
5。结论
现代图像处理工具提出了新的挑战,油画作为一个关键的数据来源,对艺术创作产生了深远的影响。本文提出了一种新颖的U-CNN方法提高样式渲染模型,通过解决问题。对于这个调查,安全和和运维数据集和被提供到规范化预处理阶段的原始数据集,利用中值滤波和CIE的方法。提取的特征归一化数据,使用GFB。该方法采用改进的渲染模式。此外,提出技术的性能匹配与现有技术的准确性,信息损失,损失函数的平均值,时间消耗。最后,我们建议的方法来实现最大的效率在现有方法对油画风格呈现模型。
数据可用性
在应用程序中,数据集用于证实本研究的发现可以从主作者。
的利益冲突
作者宣称没有利益冲突。