Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: neural style transfer

Sortuj według:

Ogranicz wyniki do:

Wykorzystanie wstępnie wytrenowanych konwolucyjnych sieci neuronowych w zagadnieniu transferu stylu

Gramacka Weronika

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2023

nr 29

105--124

Artykuł dotyczy wykorzystania wstępnie wytrenowanych konwolucyjnych sieci neuronowych w zagadnieniu transferu stylu. Zbadane zostało, jak wybór warstw konwolucyjnych do reprezentacji obrazów stylu i zawartości wpływa na jakość odwzorowania stylu: kolorystykę generowanego obrazu, widoczną technikę jego wykonania oraz poziom uogólnienia szczegółów przedstawianej rzeczywistości. Zaproponowano architekturę konwolucyjnej sieci neuronowej dedykowaną rozważanemu zagadnieniu.

The article concerns the use of pre-trained convolutional neural networks for the problem of style transfer. It examines how the selection of convolutional layers for representing the style and content images influences the quality of style replication, including the color palette of the generated image, the visible technique of its execution, and the level of generalization of details in the presented reality. The article also proposes an architecture for the convolutional neural network dedicated to the discussed problem.

Comixify : Transform Video Into Comics

Pęśko Maciej, Svystun Adam, Andruszkiewicz Paweł, Rokita Przemysław, Trzciński Tomasz

Fundamenta Informaticae

2019

Vol. 168, nr 2-4

311--333

In this paper, we propose a solution to transform a video into a comics. We approach this task using a neural style algorithm based on Generative Adversarial Networks (GANs). Several recent works in the field of Neural Style Transfer showed that producing an image in the style of another image is feasible. In this paper, we build up on these works and extend the existing set of style transfer use cases with a working application of video comixification. To that end, we train an end-to-end solution that transforms input video into a comics in two stages. In the first stage, we propose a state-of-the-art keyframes extraction algorithm that selects a subset of frames from the video to provide the most comprehensive video context and we filter those frames using image aesthetic estimation engine. In the second stage, the style of selected keyframes is transferred into a comics. To provide the most aesthetically compelling results, we selected the most state-of-the art style transfer solution and based on that implement our own ComixGAN framework. The final contribution of our work is a Web-based working application of video comixification available at http://comixify.ii.pw.edu.pl.