Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Sketch to 3D Model using Generative Query Networks
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2019 (engelsk)Independent thesis Advanced level (degree of Master (Two Years)), 20 poäng / 30 hpOppgave
Abstract [en]

For digital artists and animators, translating an idea from a rough sketch to a 3D model is a time consuming process requiring a plethora of different software. In this work, a Generative Model which can directly generate images of 3D models from arbitrary view points by observing sketched 2D images is presented. The model is based on Generative Query Networks and two different generative models were tested for generating new images, the first a Variational Auto Encoder and the second a Generative Adversarial Network. The model learns to produce new images from any queried view point allowing it to perform so called mental rotation of an object as if a 3D model had been generated. A paired dataset containing images of 3D models, the view point from where each image is captured and corresponding sketch versions was created in order to train the model. It was found that the Variational Auto Encoder could create plausible images from as little as a single sketch while the Generative Adversarial Network failed to correctly condition on the given sketches.

Abstract [sv]

För digitala artister och animatörer är processen att gå ifrån en idé i form av en sketch till en färdig 3D-modell tidskrävande och sträcker sig över en mängd olika mjukvaror. Detta arbete presenterar en Generativ Modell som direkt kan generera bilder av en 3D-modell ifrån sketchade bilder i 2D. Modellen är baserad på Generative Query Networks och två olika Generativa Modeller testades för att generera nya bilder, den första en Variational Auto Encoder och den andra en Generative Adversarial Network. Modellen lär sig att skapa nya bilder ifrån godtyckliga synvinklar vilket tillåter den att utföra så kallad mental rotation av ett objekt på samma sätt som om en 3D-modell hade genererats. För att kunna träna modellen skapades ett dataset där bilder sparades både i ursprungs- samt i sketchform tillsammans med synvinklarna där bilderna tagits ifrån. Modellen som använde sig av en Variational Auto Encoder visade sig kunna generera trovärdiga bilder efter att endast ha observerat en sketch medan modellen som använde ett Generative Adversarial Network misslyckades med att betinga de genererade bilderna på de sketcher den observerat.

sted, utgiver, år, opplag, sider
2019. , s. 63
Serie
TRITA-EECS-EX ; 2019:89
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-251507OAI: oai:DiVA.org:kth-251507DiVA, id: diva2:1315752
Eksternt samarbeid
EA SEED
Veileder
Examiner
Tilgjengelig fra: 2019-05-20 Laget: 2019-05-14 Sist oppdatert: 2019-05-20bibliografisk kontrollert

Open Access i DiVA

fulltext(2529 kB)169 nedlastinger
Filinformasjon
Fil FULLTEXT02.pdfFilstørrelse 2529 kBChecksum SHA-512
a66d0350012fdd9d3e0dd1fd9d90e55c86e8cb01d01986eb8e4391939f3aebb6bac5fe7dc5b884fbcb2ed43406d03b3e0a7de23f873e1701fed26ba4b1359166
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 169 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 290 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf