Representación de texturas a través del análisis y la síntesis con redes generativas adversariales

Investigamos el modelado de texturas basado en datos a través del análisis y la síntesis con redes generativas adversariales. Para el entrenamiento y la prueba de la red, hemos compilado un conjunto diverso de texturas espacialmente homogéneas, que van desde estocásticas hasta regulares. Adoptamos StyleGAN3 para la síntesis y demostramos que produce texturas diversas más allá de las representadas en los datos de entrenamiento. Para el análisis de texturas, proponemos la inversión GAN utilizando un nuevo criterio de consistencia de reconstrucción en el dominio latente para texturas sintetizadas, y un refinamiento iterativo con una pérdida de Wasserstein cortada para texturas del mundo real. Proponemos procedimientos perceptuales para evaluar las capacidades de la red, explorando el comportamiento global y local de las trayectorias del espacio latente, y comparando con técnicas existentes de análisis-síntesis de texturas.