FillingGAN: A Deep Learning-based Automatic Coloring Technique from Line Drawings for Developing Coloring Game Contents

이정인; 양희경; 민경하

추천

검색

자료유형: 학술저널

저자정보: 이정인 (상명대학교) 양희경 (상명대학교) 민경하 (상명대학교)

저널정보: 한국컴퓨터게임학회 한국컴퓨터게임학회논문지 한국컴퓨터게임학회논문지 제34권 제1호

발행연도: 2021.1

수록면: 9 - 15 (7page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

In this paper, we contribute to the field of game by presenting FillingGAN, an automatic coloring framework using a generative adversarial network (GAN). FillingGAN is devised to generate a coloring image from a line drawing by filling empty regions between the lines in the line drawing image from the coloring styles learned from sample coloring images. Our model consists of two style extracting modules and a GAN model. The style extracting modules are designed as an auto-encoder that extracts feature from input images. One module extracts color styles from coloring sample images and the other extracts structure from a line drawing. FillingGAN executes coloring process by applying the coloring styles from coloring samples to a line drawing. It determines the similarity between the generated coloring image and the input line drawing, and calculate the perceptual loss to preserve the structural similarity. FillingGAN generates coloring images with preserved details by adjusting the weights between the structural feature vectors and the style feature vectors. As a result, it generates a stylized image without distorting the unique features of a line drawing. Our framework can be improved to apply various styles including artistic media strokes to line drawings.

#GAN #Stylization #Line drawing #Coloring Game #Feature Extraction

참고문헌 (20)

참고문헌 신청

황인화 / 2018 / 노인을 위한 포토 컬러링북 개발 연구 / Journal of Integrated Design Research 17(1):65~77

Kang, H. / 2008 / Flow-based image abstraction / IEEE Transactions on Visualization and Computer Graphics 15(1):62~76

Kyprianidis, J., E / 2012 / State of the "Art”: A Taxonomy of Artistic Stylization Techniques for Images and Video / IEEE Transactions on Visualization and Computer Graphics 19(5):866~885

Kingma D. P. / 2013 / Auto-Encoding Variational Bayes / arXiv : 1312. 6114

Goodfellow, I. / 2014 / Generative Adversarial Nets / Proc. of NIPS 2014 :2672~2680

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이정인

소속기관 상명대학교

주요연구분야 공학 > 기타공학 > 기타 공학

논문수 1 이용수 3

양희경

소속기관 상명대학교

주요연구분야 공학 > 기타공학 > 기타 공학 공학 > 컴퓨터학

논문수 29 이용수 570

민경하

소속기관 상명대학교

주요연구분야 공학 > 기타공학 > 기타 공학 공학 > 컴퓨터학

논문수 34 이용수 660

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (20)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)