基于可拓表征与神经网络的苗族图案设计

针对苗族图案的文化传承及设计应用问题,提出基于可拓表征和神经网络的民族图案创新设计方法,对苗族蜡染图案进行解构、映射和重构.首先对苗族蜡染图案进行可拓表征,运用发散树法构建设计生长阶段模型对苗族图案基元进行拓展分析.其次基于感性工学对苗族蜡染图案进行感性意象分析,提出一种面向图案构型、纹样语义和种类的图案解构方法,构建图案特征要素解构空间和情感意象认知空间.运用神经网络构建感性预测模型根据用户意象偏好推荐图案构型等设计要素,对设计思维进行收敛,并与线性回归预测模型进行对比验证其优势性.最后根据神经网络感性预测模型推荐的特征要素应用形状文法对苗族蜡染图案进行细化设计.以苗族蜡染图案为例,验证该方法的可行性,为其他民族图案的解构及创新设计提供参考.     

一类新疆民族风格的织物图案生成方法

独具文化内涵的新疆民族织物图案是中华民族艺术瑰宝的重要组成部分。 为了生成一类具有民族特色或风格的新疆织物图案,如何自动分割织物图案提取风格特征是 一个关键问题。论文以需求为驱动,提出了纹样基因的概念。首先利用连通区域标记法切割 图案,提取分割区域特征,根据投票原则过滤获得纹样基因;然后设计六边形构型,嵌入纹 样基因;按构型旋转变换生成具有民族风格的织物图案。以提取维吾尔族和哈萨克族两类民 族织物图案纹样基因,利用六边形结构堆砌生成图案进行仿真实验,并对图案的风格相似度 进行评价。结论是基于纹样基因的生成算法,不仅能够丰富图案风格化设计素材,而且为传 承民族图案风格设计提供新途径。     

基于拓扑构型的地毯图案生成方法

传统的织物图案中通常包含按一定特征分布的基本元素,而现有基于特征和实例的图案生成方法难以保持图案中基本纹样元素与结构特征的完整性以及分布特征等基于风格层次的信息.文中以新疆地毯图案为例,提出一种基于拓扑构型的图案自动生成方法.将交互标识出的不同感知层的图案元素作为模板,并约束模板匹配算法较准确地提取同类图案元素,生成图案拓扑构型;再设计选择规则,提取合适的图案纹样.最后利用所提出的标识矩阵法进行纹样嵌图,结果表明,该方法不仅解决了图案元素重叠的问题,而且能生成体现织物图案的构图、元素形象和色彩的具有层次美感的图案,满足风格传承的设计要求.     

基于OpenCV的蜡染图案快速定制系统

为实现蜡染图案的快速定制, 提高蜡染图案创新设计效率, 研究一种基于OpenCV计算机视觉库相关函数和Python语言的蜡染图案快速定制系统. 该方法通过对蜡染图像进行形态学预处理, 然后使用canny算子实现蜡染图案轮廓提取; 随后用户手动选取子图案进行编码提取构型; 通过Hu矩匹配自动获取纹样空间位置, 结合拓扑学中的邻接图方法建立蜡染图案构型规则; 提出构型规则重用方法, 在已提取的构型规则上进行纹样嵌入, 使用基于标识矩阵法的图案嵌入法避免轮廓重叠. 该方法能够使设计结果更加丰富, 有效提高了设计效率. 最后通过蜡染图案设计原型系统进行蜡染图案创新设计, 验证该方法的可行性.     

基于对称的随机图案生成方法

图案风格设计是图案生成的关键问题,针对新疆民族织物图案的特点,提出一种对称性和随机性相结合的图案生成方法．首先对导入的初始图案进行双线性插值运算,生成一个正三角形作为第一个等边纹样基元;然后通过正反120角旋转,扩展成两个等边基元．再利用对称和旋转变换把随机选择的不同等边纹样基元嵌入到六边形构型中,最后平铺六边形构型生成一幅新图案．该算法具有随机选择基元、堆砌对称构型和无缝平铺纹样的特点,大量计算机仿真实验也证实算法虽然简单,但是具有揭示新疆民族织物图案的对称、稠密特点,而且可以推广应用于广告图案以及服装设计等领域．     

CA与生命游戏演化的组合模型*

基于摩尔奇偶型CA,提出一种结合生命游戏的演化模型.首先设置初始构型进行摩尔奇偶型规则演化,再引入生命游戏规则,按游戏规则演化;最后依此重复摩尔奇偶规则和生命游戏规则,直到演化整个元胞空间.证实在摩尔奇偶型CA的基础上,结合生命游戏在很大程度上减小了演化过程对初始构型的依赖,出现更为丰富的图元以及基于图元和演化框架的动态图案,且演化过程仍然符合摩尔奇偶型CA的演化规律.结合模型可以避免演化过度依赖初始构型以及演化过程的单调性,而且组合演化模型可以应用于图案生成,生成保持风格的规则几何纹理图案,丰富图案的生成方法.     

面向工艺品个性化定制的图案构型提取与重用

针对工艺品个性化定制过程中知识重用性较低的问题,提出一种图案构型提取与 重用的方法,并以蜡染图案创新设计为例开展研究。首先,将蜡染知识按照工艺品个性化定制 的应用需求进行分类整理,建立蜡染知识库和案例库,并构建两者之间的语义关系,通过本体 语义检索,推荐出符合用户需求的蜡染案例。采用形状上下文法对蜡染图案的纹样进行提取, 结合拓扑学方法建立图案的构型规则。在构型重用过程中提出基于字符编码的改进形状文法, 用于表述纹样填充过程中形状的变换,从而完成了面向工艺品个性化定制的蜡染图案重用。开 发蜡染工艺品个性化定制系统,通过实例验证了该方法的可行性。     

基于进化计算的地毯图案生成方法

新疆民族地毯图案具有独特的地域性、民族性和风格,如何保留和传承其风格特征是图案创新设计的难点。提出一种基于进化计算的创新设计方法。可通过分解地毯图案,分析其组成元素,抽取具有表征风格的特征予以进化计算,再生新型纹样,设计中还可以调整图案内容及结构来丰富花型变化,并通过不同顺序关系中元素组合增强图案的表现力,仿真实验表明该方法实现了生成具有风格化的创新图案,借助于主客观评价模型得到很高地认可。     

一种VGGNet的图像风格迁移算法设计与实现

针对卷积神经网络在实现图像风格迁移中出现的图像失真及精度较差问题,提出一种基于卷积神经网络的图像风格迁移算法。分析传统的纹理重构算法,采用拟牛顿法之一的L-BFGS优化方法对其进行改进。利用Gram矩阵计算图片中的纹理、颜色和视觉信息,提取一幅普通图片和一幅具有代表性的艺术性图像的两种高层抽象特征表示,从而生成具有原内容和艺术性风格的合成图像。在深度学习Keras框架的基础上,设计一种卷积神经网络的图像风格迁移算法。实验结果表明,适度地选择迭代次数可观察合成图像的匹配程度,该算法可提高准确度并降低计算复杂度。     

位移纹理形状创新应用

三维模型的形状合成是计算机图形学和辅助设计的重要研究课题。借鉴三维模型的位移映射,提出一种形状创新方法,能够生成新颖的三维造型。包括四个部分：首先从特征形状源模型提取三维图案作为位移纹理的生成元素;其次根据宿主网格模型定义三维构图知识,包括构图坐标系类型和其他纹理映射参数;第三是宿主模型进行自适应剖分;最后根据三维图案和映射参数生成位移纹理并与宿主模型融合后生成新的三维造型。     

A Comparative Study of CNN- and Transformer-Based Visual Style Transfer

Vision Transformer has shown impressive performance on the image classification tasks. Observing that most existing visual style transfer (VST) algorithms are based on the texture-biased convolution neural network (CNN), here raises the question of whether the shape-biased Vision Transformer can perform style transfer as CNN. In this work, we focus on comparing and analyzing the shape bias between CNN- and transformer-based models from the view of VST tasks. For comprehensive comparisons, we propose three kinds of transformer-based visual style transfer (Tr-VST) methods (Tr-NST for optimization-based VST, Tr-WCT for reconstruction-based VST and Tr-AdaIN for perceptual-based VST). By engaging three mainstream VST methods in the transformer pipeline, we show that transformer-based models pre-trained on ImageNet are not proper for style transfer methods. Due to the strong shape bias of the transformer-based models, these Tr-VST methods cannot render style patterns. We further analyze the shape bias by considering the influence of the learned parameters and the structure design. Results prove that with proper style supervision, the transformer can learn similar texture-biased features as CNN does. With the reduced shape bias in the transformer encoder, Tr-VST methods can generate higher-quality results compared with state-of-the-art VST methods.     

New approaches to nesting rectangular patterns

In this study, two approaches are explored for the solution of the rectangular stock cutting problem: neuro-optimization, which integrates artificial neural networks and optimization methods; and genetic neuro-nesting, which combines artificial neural networks and genetic algorithms. In the first approach, an artificial neural network architecture is used to generate rectangular pattern configurations, to be used by the optimization model, with an acceptable scrap. Rectangular patterns of different sizes are selected as input to the network to generate the location and rotation of each pattern after they are combined. A mathematical programming model is used to determine the nesting of different sizes of rectangular patterns to meet the demand for rectangular blanks for a given planning horizon. The test data used in this study is generated randomly from a specific normal distribution. The average scrap percentage obtained is within acceptable limits. In the second approach, a genetic algorithm is used to generate sequences of the input patterns to be allocated on a finite width with infinite-length material. Each gene represents the sequence in which the patterns are to be allocated using the allocation algorithm developed. The scrap percentage of each allocation is used as an evaluation criterion for each gene for determining the best allocation while considering successive generations. The allocation algorithm uses the sliding method integrated with an artificial neural network based on the adaptive resonance theory (ART1) paradigm to allocate the patterns according to the sequence generated by the genetic algorithm. It slides an incoming pattern next to the allocated ones and keeps all scrap areas produced, which can be utilized in allocating a new pattern through the ART1 network. If there is a possible match with an incoming pattern and one of the scrap areas, the neural network selects the best match area and assigns the pattern. Both approaches gave satisfactory results. The second approach generated nests having packing densities in the range 95–97%. Improvement in packing densities was possible at the expense of excessive computational time. Parallel implementation of this unconventional approach could well bring a quick and satisfactory solution to this classical problem.     

相关对齐的总变分风格迁移新模型

目的 图像的风格迁移是近年来机器视觉领域的研究热点之一。针对传统基于卷积神经网络（CNN）的图像风格迁移方法得到的结果图像存在风格纹理不均匀、噪声增强及迭代时间长等问题,本文在CNN框架下提出了一种基于相关对齐的总变分图像风格迁移新模型。方法 在详细地分析了传统风格迁移方法的基础上,新模型引入了基于相关对齐的风格纹理提取方法,通过最小化损失函数,使得风格信息更加均匀地分布在结果图像中。通过分析比较CNN分解图像后不同卷积层的重构结果,提出了新的卷积层选择策略,以有效地提高风格迁移模型的效率。新模型引入了经典的总变分正则,以有效地抑制风格迁移过程中产生的噪声,使结果图像具有更好的视觉效果。结果 仿真实验结果说明,相对于传统方法,本文方法得到的结果图像在风格纹理和内容信息上均有更好的表现,即在风格纹理更加均匀细腻的基础上较好地保留了内容图像的信息。另外,新模型可以有效地抑制风格迁移过程中产生的噪声,且具有更高的运行效率（新模型比传统模型迭代时间减少了约30%）。结论 与传统方法相比,本文方法得到的结果图像在视觉效果方面有更好的表现,且其效率明显优于传统的风格迁移模型。     

深度卷积神经网络下的图像风格迁移算法

针对图像风格迁移中出现的图像扭曲、内容细节丢失的问题,提出一种基于深度卷积神经网络的带有语义分割的图像风格迁移算法。定义内容图像损失和风格图像损失函数;对内容图像与风格图像分别进行语义分割,并将Matting算法作用在内容图像上,使用最小二乘惩罚函数来增强图片边缘真实性;进行图像的内容重建和风格重建生成新的图像。分析比较Neural Style改进方法、CNNMRF方法和带有语义分割的图像风格迁移方法生成的图像。实验结果和质量评估表明,70%带有语义分割的图像风格迁移方法生成的图像没有明显的图像扭曲,且内容细节完好。所以,该方法可以解决图像扭曲和细节丢失的问题,使内容丰富的图像可以得到精确的风格迁移。     

基于深度神经网络的表面划痕识别方法

为实现亮度不均的复杂纹理背景下表面划痕的鲁棒、精确、实时识别，提出一种基于深度神经网络的表面划痕识别方法。用于表面划痕识别的深度神经网络由风格迁移网络和聚焦卷积神经网络（CNN）构成，其中风格迁移网络针对亮度不均的复杂背景下的表面划痕进行预处理，风格迁移网络包括前馈转换网络和损失网络，首先通过损失网络提取亮度均匀模板的风格特征和检测图像的知觉特征，对前馈转换网络进行离线训练，获取网络最优参数值，最终使风格迁移网络生成亮度均匀且风格一致的图像，然后，利用所提出的基于聚焦结构的聚焦卷积神经网络对生成图像中的划痕特征进行提取并识别。以光照变化的金属表面为例，进行划痕识别实验，实验结果表明：与需要人工设计特征的传统图像处理方法及传统深度卷积神经网络相比，划痕漏报率低至8.54%，并且收敛速度更快，收敛曲线更加平滑，在不同的深度模型下均可取得较好的检测效果，准确率提升2%左右。风格迁移网络能够保留完整划痕特征的同时有效解决亮度不均的问题，从而提高划痕识别精度；同时聚焦卷积神经网络能够实现对划痕的鲁棒、精确、实时识别，大幅度降低划痕漏报率和误报率。     

Cascaded neural network based small array synthesis with robustness to noise

A cascaded neural network approach has been presented in this paper to estimate the excitation for the desired field distribution using a radial basis function neural network (RBFNN). The article has employed an electromagnetic design example consisting of 5 × 5 and 6 × 6 planar antenna array of isotropic sources with inter element‐distance of 0.5λ to show the adaptation of the neural network model in estimating the desired output. A neural network is trained using a dataset of suitable excitation voltages and its corresponding radiation patterns, which proves to be efficient in predicting the excitation voltages required to generate the desired pattern. A set of techniques based on a cascaded neural network is adopted for pattern synthesis using magnitude and phase, magnitude only, and template‐based input data. The robustness of the method has also been tested by considering noise with different SNR levels. The results found in each case have a close fit with the desired pattern.     

深度学习汉字生成与字体风格迁移综述

汉字字体风格迁移旨在保证在语义内容不变的同时对汉字的字形作相应的转换。由于深度学习在图像风格迁移任务中表现出色,因此汉字生成可以从汉字图像入手,利用此技术实现汉字字体的转换,减少字体设计的人工干预,减轻字体设计的工作负担。然而,如何提高生成图像的质量仍是一个亟待解决的问题。本文首先系统梳理了当前汉字字体风格迁移的相关工作,将其分为3类,即基于卷积神经网络(convolutional neural network,CNN)、自编码器(auto-encoder,AE)和生成对抗网络(generative adversarial network,GAN)的汉字字体风格迁移方法。然后,对比分析了22种汉字字体风格迁移方法在数据集规模方面的需求和对不同字体类别转换的适用能力,并归纳了这些方法的特点,包括细化汉字图像特征、依赖预训练模型提取有效特征、支持去风格化等。同时,按照汉字部首检字表构造包含多种汉字字体的简繁体汉字图像数据集,并选取代表性的汉字字体风格迁移方法进行对比实验,实现源字体(仿宋)到目标字体(印刷体和手写体)的转换,展示并分析Rewrite2、zi2zi、TET-GAN(texture effects transfer GAN)和Unet-GAN等4种代表性汉字字体风格迁移方法的生成效果。最后,对该领域的现状和挑战进行总结,展望该领域未来发展方向。由于汉字具有数量庞大和风格多样的特性,因此基于深度学习的汉字生成与字体风格迁移技术还不够成熟。未来该领域将从融合汉字的风格化与去风格化为一体、有效提取汉字特征等方面进一步探索,使字体设计工作向更灵活、个性化的方向发展。     

基于深度学习的图像风格转换研究

随着深度学习的发展,图像风格转换任务开始使用卷积神经网络实现。针对传统图像转换网络在转换后,保留纹理细节的能力不足的问题,本文基于Justin等人的风格转换模型,优化了转换网络中的残差结构,并结合生成对抗的思想,改进了风格转换模型,使模型能提取图像中更抽象的特征,并对损失函数进行调整,进一步提升生成图像的质量。实验表明,本文方法在进行图像风格转换时,有效提升了风格化效果并且通过比较在多种评价指标下得到的结果,可知图像质量得到提升。