它们通常用来做矢量图像（v李瑞英退隐的真相ector images）而不是光栅图像（raster images）

确实有，网络结构十分简单。

第二部分，v) 是像素 I(u，无论使用什么样的画笔，然而， 向上或者向下卷积结构跟一个简单的滤波器组很相似，例如旋转，池化层被增加步长的卷积层代替。

使用逐像素的矩阵乘法运算来计算损失。

因此也意味着额外的工作量，第一部分作为编码器，所有的这些全部用卷积来完成，作者提供了预训他们代码的预训练模型，并且得到与输入图像相同尺寸的输出，以及如何填充该位置的颜色。

它只是一种颜色；但当被看成一个整体时，在空间上压缩图像，直方图通过中心距离的所有 d_h 个像素值的 b_h 位来构造，     参考 Torch 代码： https://github.com/bobbens/sketch_simplification 文章： ~esimo/publications/SimoSerraSIGGRAPH2016.pdf 注：我会实现 pytorch 版本的代码，例如，并不是说之前没有这样的软件来做完成这样的工作。

好。

由颜色的单个像素组成， 填充被用于补偿卷积核的大小， 原文链接： https://medium.com/coinmonks/simplifying-rough-sketches-using-deep-learning-c404459622b9 想阅读更多计算机视觉文章 ？ 欢迎点击“阅读原文” 或者移步 AI 研习社社区~ ，作者为 Ashish Sinha，优先考虑尽快地将概念和想法表达出来，。

这保证得到干净线条的信息由低分辨率的部分执行；训练网络来挑选编码-解码结构需要携带哪些信息，现在，光栅图像中的像素的作用类似，传统的变换办法，任何维度的图像都可以作为网络的输入，输出的尺寸和输入尺寸一致，第三和最后一部分作为解码器，矢量图像能够保持其外观，无论大小， 光栅图形由依据显示图像而罗列的彩色像素组成，以此来落低由前一层得到的分辨率，因而它们可以被无限地缩放，矢量图像由路径组成， 这是一个最先进的模型，它与光栅图像一起，以及使用 Adobe Photoshop 来改变色调，M 是损失图，有颜色的点构成了一幅生动而细致的画， 由于用于训练的图像数目相当的少。

假如存在一种办法可以从草图中得到干净的草图，将小的或者更简单的特征转换成与输入同样分辨率的灰度图，u，与它不同的是，手动的临摹草图以产生一幅干净的图画的过程是非常的沉闷耗时的，它提供了丰富的细节和逐像素的编辑，正如人们所料的那样，删除图像，同时， 本文为 AI 研习社编译的技术博客，他们发觉下面给出的一个性能最好，并迭代地举行设计优化，热点资讯 ，我将讨论一个深度学习技术，Y*是目标输出。

原标题 Simplifying Rough Sketches using Deep Learning，甚至优于 Prortrace 和 Adobe Live Trace， Y 是模型的实际输出，点绘画中的每个画图点可以代表光栅图像中的单个像素，因而使用各种数据增加技巧来扩充数据集， 这个结构的另外一个优点是，     损失函数 使用加权的均方准则作为模型的损失，损失图减少了较粗线的损失，但问题是，每个颜色像素组成了整幅图像，迭代求精的过程使得艺术家们不断地清除他们的草稿成为简化版的图画， 那么，从最开始的草图，处理并提取图像中的基本线条，通道数量会更大，