انتقال سبک ترکیبی در یک قاب با دوران تصادفی با استفاده از شبکه‌های کانولوشنی

نوع مقاله : مقاله کامپیوتر

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران

2 دانشیار، دانشکده برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران

چکیده

انتقال سبک یک حوزه تحقیقاتی است که توجه فراوانی را به خود جلب کرده است. این فناوری اجازه می‌دهد تا سبک یک تصویر را بر روی تصویر محتوا منتقل کنیم. تحقیقات گسترده‌ای در زمینه انتقال سبک انجام شده است، هدف از آن تسریع در پردازش و یا تولید تصاویر زیبا و با کیفیت بالا است. یکی از کاربرد‌های این حوزه می‌تواند در زمینه تولید طرح‌های زیبا برای چاپ در طراحی کاشی،  فرش و هر صنعتی که به دنبال چاپ طرح‌هایی است، که بشر توانایی خلق آن را ندارد. در این مقاله یک روش ساده برای انتقال سبک­های چندگانه که به طور تصادفی دوران پیدا کرده­اند، پیشنهاد می‌شود که منجر به تولید طرح­های خاص­تر نسبت به استفاده از یک سبک برای انتقال می‌شود. این روش می‌تواند باعث ایجاد تنوع و کیفیت بالاتری در تصاویر تولید شده گردد، که ارزیابی آن توسط 25 نفر و نظرسنجی از ایشان برای مقایسه بین روش ما و روش‌های دیگر صورت گرفته است، که در نهایت روش ما بیشترین رای موافق را دریافت نمود. حاصل این پژوهش تسریع در امر خلق آثار را پدید می‌آورد که می‌تواند جایگزین خوبی برای طراحی‌های انسان باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Combining Style Transfer in a Frame with Random Rotation Using Convolutional Neural Networks

نویسندگان [English]

  • Mahdi Musa Semnani 1
  • Kourosh Kiani 2
1 MSc Student, Department Electrical and Computer Engineering, Semnan University, Semnan, Iran
2 Associate Professor, Department Electrical and Computer Engineering, Semnan University, Semnan, Iran
چکیده [English]

Style transfer is a research area that has garnered significant attention. This technology allows the style of one image to be transferred into the content of another image. Extensive research has been conducted in the field of style transfer, aiming to accelerate processing and produce beautiful and high-quality images. One application of this technology could be in generating beautiful designs for printing in industries such as tile and carpet manufacturing, where creating such intricate patterns by human hands would be challenging. In this article, a simple method is proposed for transferring multiple styles that have been randomly rotated, resulting in more unique designs compared to using a single style for transfer. This method can enhance the diversity and quality of the generated images. Evaluation of this method was conducted by surveying 25 individuals who compared our method to other existing methods. Ultimately, our method received the highest approval rating. The outcome of this research facilitates the creation of artworks more efficiently, offering a viable alternative to human-designed patterns.
 

کلیدواژه‌ها [English]

  • Style transfer
  • Random rotation
  • Deep learning
  • Convolutional Neural Networks (CNN)

مراجع

[1] L.A. Gatys, A.S. Ecker, and M. Bethge. "Image style transfer using convolutional neural networks." In Proceedings of the IEEE Conference On Computer Vision and Pattern Recognition, pp. 2414-2423. 2016.
[2] X. Huang, and S. Belongie. "Arbitrary style transfer in real-time with adaptive instance normalization." In Proceedings of the IEEE International Conference on Computer Vision, pp. 1501-1510. 2017.
[3] K. Simonyan, and A. Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556 (2014).
[4] X. Chen, C. Xu, X. Yang, L. Song, and D. Tao. "Gated-gan: Adversarial gated networks for multi-collection style transfer." IEEE Transactions on Image Processing 28, no. 2 (2018): 546-560.
[5] N.Q. Tuyen, S.T. Nguyen, T.J. Choi, and V.Q. Dinh. "Deep correlation multimodal neural style transfer." Ieee Access 9 (2021): 141329-141338.
[6] D.Y. Park, and K.H. Lee. "Arbitrary style transfer with style-attentional networks." In proceedings of the IEEE/CVF conference on Computer Vision and Pattern Recognition, pp. 5880-5888. 2019.
[7] S. Truong Nguyen, N. Quang Tuyen, and N. Hong Phuc. "Deep Feature Rotation for Multimodal Image Style Transfer." arXiv e-prints (2022): arXiv-2202.
[8] C. Li, and M. Wand. "Combining markov random fields and convolutional neural networks for image synthesis." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2479-2486. 2016.
[9] A. Singh, S. Hingane, X. Gong, and Z. Wang. "SAFIN: arbitrary style transfer with self-attentive factorized instance normalization." In 2021 IEEE International Conference on Multimedia and Expo (ICME), pp. 1-6. IEEE, 2021.
[10] S. Liu, T. Lin, D. He, F. Li, M. Wang, X. Li, Z. Sun, Q. Li, and E. Ding. "Adaattn: Revisit attention mechanism in arbitrary neural style transfer." In Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 6649-6658. 2021.
[11] X. Li, S. Liu, J. Kautz, and M.H. Yang. "Learning linear transformations for fast arbitrary style transfer." arXiv preprint arXiv:1808.04537 (2018).
 
مدل سازی در مهندسی
دوره 22، شماره 78
آبان 1403
صفحه 275-281

فایل ها

سابقه مقاله

  • تاریخ دریافت: 26 فروردین 1403
  • تاریخ بازنگری: 02 خرداد 1403
  • تاریخ پذیرش: 16 خرداد 1403

هم رسانی

ارجاع به این مقاله

آمار