SegCycle-SPADE:一个端到端的框架,用于基于语义细分的自动提取和艺术重建传统工艺模式,使用条件GAN
1School of Art and Design, Guangdong University of Technology, Guangzhou, China.
PloS one
|November 18, 2025
概括
本研究介绍了SegCycle-SPADE用于传统手工艺模式提取和生成. 该模型实现了细分的高精度和模式重建的优质质量,有助于数字文化遗产的保存.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 数字遗产是数字遗产的一部分.
背景情况:
- 传统的手工艺模式在数字提取和生成方面面临着挑战.
- 准确的细分和高质量的重建对于保护文化遗产至关重要.
研究的目的:
- 为传统手工艺模式的提取和生成提出一个高效和准确的模型.
- 为了平衡细分精度,生成质量和推断效率.
主要方法:
- SegCycle-SPADE模型集成了SegFormer用于语义细分,CycleGAN用于模式生成,以及SPADE用于样式传输.
- 在各种数据集上进行了实验,包括Batik Nitik 960,时尚-MNIST和DeepFashion.
主要成果:
- 在细分指标 (PA: 88.6%,mIoU: 78.1%,边界F1: 73.8%) 中,SegCycle-SPADE显著优于基线模型 (U-Net,DeepLabV3+).
- 与Pix2Pix和稳定扩散相比,该模型还取得了优异的模式生成结果 (PSNR: 27.8 dB,SSIM: 0.89,FID: 34.2).
结论:
- SegCycle-SPADE为传统手工艺模式的高质量,高效的数字再生提供了一个强大的解决方案.
- 该模型通过先进的模式生成技术,为数字文化遗产的保护和创新做出了贡献.
