浅论艺术设计专业的素描基础教学

素描教学是艺术院校的一门重要基础绘画课程。由于纯美术与非纯美术同样要求素描训练,但由于发展方向有着很大的不同。因而关于它的教学导向和观念应当有种区虽。本即围绕艺术设计各专业的特点浅论其素描教学的导向问题。     

特定地质条件下巷探手段的优越性

介绍了老矿井深部新区在钻探控制勘探程度不足、局部地质构造不清 ,而岩层中又含有玄武岩钻探难以布置 ,在达不到精查的情况下 ,利用巷探手段探明局部地质构造、赋存储量等情况 ,为今后采矿的充分合理布局、井巷的布置 ,接续的安排提供了可靠的依据     

紫砂泥塑随谈

小时候,就喜欢挖乌泥,模仿着做成泥手枪、捏泥人之类的玩具。当时因为条件限制,没有这么多好玩的玩具,不管做得像不像,只要做成心中的满足感便油然而生,玩泥的乐趣自不言而喻,就像一杯美美的酒令人回味无穷。小时候,也时常听大人说到,丁山盛产碗、小缸、茶壶类陶器,但真正     

设计素描中抽象表现的研究性质与方法要素

设计素描区别于一般意义上的素描,它服务于设计教育而非艺术教育的整体体系,目的是要通过特定主题的素描的训练,从对具象事物的模拟再现过渡到形式语言的建构和创造中去。其中,对于抽象形式的认识和表现是学习认知的关键。抽象表现语言研究是设计素描中的重要内容,它具有自身独特的过程语言、表现方式与要素手段。如何在实现设计素描多样探索的同时,实现画面语言的抽象秩序和形式美感,需要对相关形式要素进行分析探讨,以提升受教育者对抽象表现的形式语言的理解和运用能力。     

基于Lmser-in-Lmser双向网络的人脸素描图像生成方法

人脸素描图像生成问题目的是将人脸照片转换为对应的素描图像,已有方法生成的素描图像或缺乏素描纹理,或需要在额外的大规模数据集上进行预训练.针对上述问题,文中基于Lmser(Least Mean Square Error Reconstruction)构建内外嵌套的深度双向网络,即Lmser-in-Lmser双向网络,用于人脸素描图像的生成.利用Lmser的神经元对偶特性,即编码神经元和解码神经元之间形成双向短路连接,在内部Lmser子网络的编码器和解码器之间通过前向传递不同网络层进行学习,得到多层级特征,增强素描生成的纹理细节.同时建立具有同样结构的网络,反向建立素描映射到照片的模型.外部通过在2个Lmser子网络上施加一致性约束,实现反馈链接,改善素描特征.在基准数据集上的实验表明,文中方法性能较优,并且不需要在额外的数据集上进行预训练,可应用性较强.     

融合多尺度梯度特征的人脸素描照片合成

人脸素描照片合成是异质图像变换重要分支，近年来受到广泛关注，在数字娱乐和执法领域都得到了广泛应用。近几年基于生成对抗网络的方法在图像跨域转换方面取得了较大的进步，但合成图像会产生噪声、伪影等问题。以U-Net网络为基础，提出了一种融合多尺度梯度特征的人脸素描照片合成方法，该方法结合了MSG-GAN的思想：允许判别器不仅使用生成器最终输出的梯度，而且还使用从上采样中间层输出的不同分辨率的梯度。同时在U-Net网络中加入了残差学习单元，来缓解深度神经网络训练过程中产生的梯度消失和梯度爆炸的问题。此外还加入了基于MRF-CNN的伪人脸特征生成器，采用块匹配的方法来生成伪人脸图像用于监督生成器的人脸生成。最后在CUFS和CUFSF数据集上的实验结果表明所提出方法的有效性。     

跨模态身份不一致的交叉分类素描行人重识别

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题，但这些算法的背景设定较为单一，没有考虑到训练集中部分身份的行人仅有一个模态样本，即跨模态身份不一致，这极大限制了算法在实际场景下的应用。为此，提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中，交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小，同时抑制跨模态身份不一致的影响，进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现，基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501，并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%，所设计的数据集将开源在“https：//github. com/huangdaichui/Sketch＿dataset”。     

基于域自适应均值网络的素描人脸识别方法

针对素描图像和光学图像间模态差异大，以及传统深度学习方法在少量训练数据情况下易过拟合的问题，提出一种基于域自适应均值网络的素描人脸识别方法。该方法设计元学习训练策略将学习水平从数据提升至任务，来提升模型的泛化能力；提出一种均值损失来辅助特征提取器提取判别性特征；在训练集的素描图像域和光学图像域之间引入一种域自适应模块来减少二者模态差异。在UoM-SGFS素描人脸数据库和e-PRIP素描人脸数据库上进行实验，结果表明该方法优于其他算法。     

基于GAN的分步合成人脸素描生成算法

人脸素描具有丰富的阴影、纹理和鲜明的脸部特征,广泛应用于人脸识别和生活娱乐等领域.鉴于艺术家对人脸素描的绘制步骤具有一定次序的特点,提出一种模拟艺术家绘制人脸素描步骤的算法.将素描生成过程分为2个阶段:第1阶段利用重建的图像辅助生成素描信息;第2阶段利用第1阶段得到的素描信息辅助合成目标素描图像,达到具有脸部轮廓、头发纹理与五官特征、脸部阴影特征的目的.采用CUHK和CUFS数据集进行大量实验,通过PSNR, SSIM和FIR这3个客观评价指标进行对比,结果表明,所提算法的PSNR比典型算法平均提高了4.7 dB, SSIM平均提升0.08, FID分数平均降低8.3;该算法能够生成效果更好的人脸素描图像.