|
图 9：与 L. A. Gatys[14] 和 J. Johnson[16] 等人提出的框架相似，我们从预训练 VGG-16 损失网络重构了风格特征，以上分别表示 relu1_2、relu2_2、relu3_3 和 relu4_3 层的风格特征重构结果。此外，我们发现低层的重构风格特征与艺术二维码的密集编码模块非常相似。
表 2：特征重构层的调整。 Stage C：误差修正 虽然我们在 Stage B 中显著地优化了鲁棒性弱的问题，然而，在 Q_b 中仍然存在少量误差模块（error-modules）。因此，在 Stage C，我们设计了一个误差修正机制，通过平衡鲁棒性和视觉品质来检测和校正 Q_b 的误差模块，以生成鲁棒的结果 Q_c。 B 编码模块的鲁棒性评估
图 10：（a）在采样阶段，收集的像素可能被不直接相关的因素（例如图像缩放、倾斜角度等）影响而导致错误，而本质影响因素是编码模块的尺寸。（b）在阈值化阶段，采样的像素可能被不直接相关的因素（例如，光照、光色等）错误地阈值化，而本质影响因素是编码模块的颜色。 C 误差修正机制
图 11：Stage C 的流程图。（a）迭代地检测、校正非鲁棒的模块，并更新阈值，直到每个模块都变得鲁棒为止。（b）通过创建编码点预处理非鲁棒的模块。（c）转换灰度鲁棒艺术风格二维码到 RGB 空间。
图 12：（a）图 11（b）的具体步骤，预处理 Q_b 中的非鲁棒模块，其中局部平均颜色通过一种简单的方法当作 C_k 的颜色来计算。（b）修正一个灰度非鲁棒编码模块的具体步骤。（c）未通过步骤（a）处理生成的 Q_c，即 Q_c 中的修正点可能有很严重的视觉失真。
图 13：两种定位器的一些实例。一个是由黑色和白色组成的标准定位器，另一个是在风格迁移和误差修正之后的颜色定位器。 实验
图 14Q_a 和 TS（基于 [10] 中的 Two-Stage 生成结果）的实验结果对比。我们的结果聚焦于背景图像 I 的全局特征，黑白编码模块尽量分配给图像 I 中更深／更浅的区域，以最小化模块和图像 I 之间的视觉反差。
图 17：最初风格迁移系统 [16] 与我们调整后的结果。在最初风格迁移的结果中，不规则的色彩变化通常发生在较大的区域中，这非常影响视觉且很容易导致解码失败。我们的调整显著地改善了解码鲁棒性和视觉质量等问题。
表 4：不同移动设备上的二维码扫描成功率。 论文：Stylize Aesthetic QR Code 论文链接：https://arxiv.org/pdf/1803.01146.pdf 摘要：随着智能移动设备的持续发展，二维码的使用越来越广泛。现有研究试图美化二维码的外观，并开发了一系列相关技术。但是，这些研究仍有很大改进空间，如视觉多样性、美学质量、灵活性、通用性质和鲁棒性。为了解决这些问题，本论文提出了一种美化二维码的新方法 SEE（Stylize aEsthEtic），只需三步即可自动生成鲁棒的艺术风格二维码。具体来说，第一步，我们提出一种方法来生成优化的基线艺术二维码，减少噪声类黑白模块和融合图像之间的视觉对比度。第二步，为获取艺术风格的二维码，我们调整一个合适的神经风格迁移网络，给基线艺术二维码增加一些抽象化的艺术元素。第三步，我们设计了一种误差修正机制，通过平衡两种这两种存在竞争的元素：视觉质量和可读性，以确保性能的鲁棒性。大量实验证明 SEE 二维码在外观和鲁棒性方面都保持高质量，同时使用户拥有更多个性化选择。 （责任编辑：晨鸿） |
