专栏首页arxiv.org翻译专栏让机器人在两分钟内画出生动的肖像(CS RO)
原创

让机器人在两分钟内画出生动的肖像(CS RO)

艺术机器人取得了重大进展。然而,现有的机器人无法在短时间内制作出高质量的人像。本文介绍了一种绘图机器人,它能自动将人脸图像转换成生动的人像,然后平均在两分钟内画在纸上。系统的核心是一种基于深度学习的新型人像合成算法。创新性地,我们采用了自一致性损失,使得该算法能够生成连续且平滑的笔划。此外,我们还提出了一个组件稀疏性约束来减少不重要区域上的画笔笔划数。我们还实现了一个局部草图合成算法,以及一些处理背景和细节的前后处理技术。我们的算法生成的人像通过使用一组稀疏的连续笔划成功地捕获了个人特征。最后,这幅肖像被转换成一系列的轨迹,并由一个3自由度的机械臂再现。整个人像绘制机器人系统被命名为AiSketcher。大量实验表明,AiSketcher可以为各种各样的图片(包括野生的人脸和任意内容的通用图像)生成相当高质量的草图。据我们所知,AiSketcher是第一个使用深度学习技术的人像绘制机器人。艾斯凯彻参加了不少展览,在不同的环境下都表现出色。

原文题目:Making Robots Draw A Vivid Portrait In Two Minutes

原文:Significant progress has been made with artistic robots. However, existing robots fail to produce high-quality portraits in a short time. In this work, we present a drawing robot, which can automatically transfer a facial picture to a vivid portrait, and then draw it on paper within two minutes averagely. At the heart of our system is a novel portrait synthesis algorithm based on deep learning. Innovatively, we employ a self-consistency loss, which makes the algorithm capable of generating continuous and smooth brush-strokes. Besides, we propose a componential-sparsity constraint to reduce the number of brush-strokes over insignificant areas. We also implement a local sketch synthesis algorithm, and several pre- and post-processing techniques to deal with the background and details. The portrait produced by our algorithm successfully captures individual characteristics by using a sparse set of continuous brush-strokes. Finally, the portrait is converted to a sequence of trajectories and reproduced by a 3-degree-of-freedom robotic arm. The whole portrait drawing robotic system is named AiSketcher. Extensive experiments show that AiSketcher can produce considerably high-quality sketches for a wide range of pictures, including faces in-the-wild and universal images of arbitrary content. To our best knowledge, AiSketcher is the first portrait drawing robot that uses deep learning techniques. AiSketcher has attended a quite number of exhibitions and shown remarkable performance under diverse circumstances.

原文作者:Fei Gao,Jingjie Zhu,Zeyuan Yu,Peng Li,Tao Wang

原文地址:https://arxiv.org/abs/2005.05526

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • OF-VO:使用商品传感器在行人之间可靠导航(CS RO)

    我们提出一种在行人中安全导航移动机器人的新颖算法。我们的方法使用包括RGB-D相机和2D激光雷达在内的商用视觉传感器,通过光流估计和物体检测来明确预测周围障碍物...

    时代在召唤
  • 变道情况下自动驾驶车辆的对抗性评估(CS RO)

    在将自动驾驶汽车部署到城市和公路之前,必须对其进行全面评估。当前的评估程序缺乏弱点瞄准和发展的能力,因此它们几乎无法为自动驾驶汽车产生对抗性环境,从而导致挑战不...

    时代在召唤
  • 管理Airbnb搜索中的多样性(CS CAS)

    搜索系统中长期存在的问题之一是结果多样性的作用。 从产品的角度来看,显示各种结果可为用户提供更多选择,并应带来更好的体验。 但是,这种直觉与常见的机器学习排名方...

    时代在召唤
  • 内核开发知识第二讲,编写Kerner 程序中注意的问题.

    什么是函数多线程安全. 简单来说就是 ,一个函数在调用过程中.还没有返回的时候.再次被其他线程调用了.但是函数执行的结果是可靠的.就可以了说这个函数是安全的.

    IBinary
  • 深入理解JVM(四)——对象内存的分配策略

    Java所承诺的自动内存管理主要是针对对象内存的回收和对象内存的分配。 在Java虚拟机的五块内存空间中,程序计数器、Java虚拟机栈、本地方法栈内存的分配和回...

    大闲人柴毛毛
  • 调用腾讯地图如何添加 Cookie 的 SameSite 属性(Chrome 版本 78.0.3904.70)

    A cookie associated with a cross-site resource at http://v.qq.com/ was set witho...

    用户6581061
  • 移动设备上的高性能的深度和点卷积(CS PF)

    轻量级卷积神经网络(如MobileNets)是专门设计用于直接在移动设备上进行推理的。在各种轻量模型中,深度卷积(DWConv)和点态卷积(PWConv)是其关...

    用户6853689
  • 无意学会了python中and和or的有

        今天看书,无意中看到了Python的and和or的一个有趣用法,最后在网上查找这种用法的机制,归根结底还是要仔细理解python中and和or的机制。

    py3study
  • intel 网卡驱动安装参数

     摘自 http://downloadmirror.intel.com/18725/eng/readme.htm#chs

    力哥聊运维与云计算
  • Elasticsearch入门必备——ES中的字段类型以及常用属性

    使用Elasticsearch时,了解字段的概念,是必不可少的。毕竟无论是es还是传统的数据库,都无法弱化字段的类型。 背景知识 在Es中,字段的类型很关...

    用户1154259

扫码关注云+社区

领取腾讯云代金券