一种纹理特征分析与合成的方法

针对纹理合成中基本的 MRF 类模型在大尺度结构表达上的缺陷,提出了在纹理模式空间和素材空间内对纹元及其分布的新的描述框架:使用纹元基本形和特征向量表示纹元,使用特征纹理表示纹元分布状况.在此结构上进行素材合成,可以保留 MRF 类模型在素材合成上的优势.实验结果表明,对于结构性较强的纹理,文中方法可以得到更加接近纹理机制的合成结果和某些纹理合成特效.     

纹理的标准性和强标准性纹理的快速识别及合成

分析了纹理合成中时间开销最大的匹配过程，发现了对一类具有特征任意匹配性纹理，可以大大降低匹配精度甚至忽略匹配过程，从而加快纹理生成速度．通过对这类纹理特性的概括，引入了纹理标准性概念，利用可变尺度滑动窗口的灰度距离对标准性进行度量；并结合大量统计结果，给出纹理标准性区分标准，对强标准性纹理使用低精度的匹配或零搜索来合成纹理．实验结果证明，文中对于强标准性的纹理区分可靠有效，生成纹理的速度大大提高，且质量无明显降低．     

基于非线性卷积的可控图像类推和自类推技术

提出一种新的图像类推技术,定义"风格"为作用于内容上的非线性卷积过程.通过估计卷积核实现风格学习,通过执行卷积实现风格的传递.该定义能够极大地加快类推速度,提高风格学习与样本数据的独立性,增强图像类推的稳定性与适用性.同时还提出了对图像进行迭代式风格化作用的连续类推思想,以及通过自身构建训练集的自类推思想.连续类推可以生成不同强度的风格化序列,进而实现图像类推控制;图像白类推则可以应用于超分辨等与尺度相关的问题.     

基于图像类推的超分辨技术

目前的图像超分辨技术都依赖于从适当的外部数据集合中提取信息以对图像进行增强,然而这个条件在很多实际应用中难以得到满足.通过对理想边缘模型与纹理内容的分析,发现图像在尺度空间上具有局部结构的自相似性及可传递性.基于这个特点,应用图像类推技术(image analogies,简称IA),可以将图像的局部特性在不同尺度上进行传递,从而为低分辨图像补充结构信息.在实现上。利用原图像和退化图像建立训练集合,用能量图构建学习网络,将图像类推问题转化为求解最小图能量问题.实验结果表明,这种自我类推方法不仅可以有效地提高放大图像的清晰程度,而且较一般的IA算法速度大为加快,更为重要的是,它可以摆脱一般方法对训练集合的依赖,完全独立进行.     

基于渐进式聚类的局部光与材质设计技术

文中提出一种基于图形处理器(GPU,graphics processing unit)的重光照技术,可以在局部点光源,表面反射属性和视点的同时变化中,以交互式的帧率计算全局光照.为了支持这些变化,选择在运行时刻模拟光能的物理传播过程.尽管这种模拟往往由于计算代价过于昂贵而难以被交互式系统采用,但是文中通过引入一个被称为传播树的层次性结构来大大降低模拟计算的开销.在误差允许的范围内,传播树将近似的发光面片进行聚类,然后便可以使用聚类的代表面片来近似整个场景.另外,还挖掘出了光能分布场在空间上和时间上的连续性,并以此为基础对聚类进行渐进式调整,以避免在每一帧中都得从头计算聚类划分,这就叫渐进式聚类.由于采样点之间的可见性可以预计算,把本来很复杂的间接光照计算问题化解成了简单的累加和少量的合并与分裂操作,即聚类代表所发射出的光能的累加以及聚类的合并与分裂.而累加、合并和分裂都是可以直接在图形硬件上并行执行的.在材质动画和场景装修等实际应用中,使用文中技术能够以交互式的速度生成带有多次反射效果的全局光照.     

一种近似周期性纹理的合成方法

纹理合成是近年来图形图像处理领域的研究热点之一,该文针对基于块的纹理合成方法合成效果与采样块的尺度密切相关的问题,根据近似周期性纹理自身的特点,结合基于块的纹理合成方法给出适合此类纹理的一种合成方法。由于周期性纹理的纹元是以周期为单位的纹理块,该文试图对周期性纹理图像进行方向滤波后找出纹理的周期,然后以周期尺度为采样块的大小和采样间距,进行纹理合成。该文方法对严格周期性纹理及近似周期性纹理合成效果良好。     

(3,4)次可展Bézier曲面及其性质

在两个平行平面上分别选取 3次和 4次 Bézier曲线以生成直纹面 ,得到了此直纹面为可展曲面时 ,两个控制多边形应该满足的相对几何位置关系 ,给出了设计曲线所需满足的充分必要条件以及关于这种可展曲面上平行截曲线的凸性、拐点及奇异性 (尖点 )。最后又给出了两条边界插值于指定型值点列的 G1组合可展 Bézier曲面的构造方法。