Coherent Line Drawing 2008 5 22 1 Abstract

Coherent Line Drawing 논문 세미나 그래픽스 연구실 윤종철 2008. 5. 22 1

목차 Abstract 1. Introduction 1. 1 Related work 1. 2 Contribution and Overview 2. Flow construction 2. 1 Edge Tangent Flow 3. Line construction 3. 1 Flow-based Difference-of-Gaussians 3. 2 Iterative FDo. G filtering 4. Results 5. Discussion and Future work 2

Abstract 3

Abstract Image로부터 automatically Line을 drawing하는 NPR technique 제안 Coherent, smooth, stylistic line에 초점 Noise는 억제하고, highly coherent line을 찾는 flow-guided anisotropic filtering 소개 간단하고 구현이 쉬운 method 4

1. Introduction 5

1. Introduction Line drawing은 prehistoric ages로 부터 visual communication의 the simplest, oldest임이 틀림없다. Line drawing은 minimal amount of data를 사용하고, object shape을 효 율적으로 나타낼 수 있음 6

1. Introduction Object surface의 tonal information 이 아닌 shape을 그리는 Black-andwhite line drawing에 초점 Image로부터 line을 그리는 Automatic technique Clean, smooth, coherent, stylistic line 7

1. Introduction Flow-driven anisotropic filtering framework가 main contribution Edge detection filter를 변형하여 flow에 의해 정의된 anisotropic kernel에 적용 Noise 억제 8

1. 1 Related work NPR community에서, 3 D model의 line을 그리는 methods Suggestive Contours for Conveying Shape [De. Carlo et al. 2003] Coherent Stylized Silhouetees [Kalnins et al. 2003] A Few Good Lines: Suggestive Drawing of 3 D Models Sousa and Prusinkiewicz 2003] 9

1. 1 Related work 순수한 line drawing보다 부분적으로 사용 ex) color, tone, material etc. Interactive pen-and-ink illustration [Salisbury et al. 1994] Processing images and video for an impressionist effect [Litwinowicz 1997] 10

1. 1 Related work Photograph tooning 같은 NPR style은 explicit display of line을 요 구 Stylization and Abstraction of Photographs [De. Carlo and Santella 2002] 11

1. 1 Related work Real-time video abstraction [Winnemoller et al. 2006] 12

1. 2 contribution and Overview 기술적인 contribution 2가지 ◦ feature-preserving local edge flow(edge tangent flow라고 불리는), Kernel-based nonlinear vector smoothing technique 개발 ◦ Line illustration을 그리는 Flow-based anisotropic Do. G filtering technique 제안 13

1. 2 contribution and Overview Advantages ◦ Line coherence: kernel size 조정으로 isolated edge point의 set으로부터 line drawing 가능 ◦ Robustness: noise 억제 spurious line 줄임 ◦ Quality: good ◦ Simplicity: 구현 쉬움 ◦ Generality: flow-based filtering framework가 general. Feature preservation term에서 다른 filter 사용가능 14

2. Flow construction 15

2. 1 Edge Tangent Flow High-quality line drawing을 위해 vector field는 다음 요구를 만족해야 ◦ Vector flow must describe the salient edge tangent direction in the neighborhood ◦ Neighboring vectors must be smoothly aligned except at sharp corners ◦ Important edges must retain their original directions 16

2. 1 Edge Tangent Flow 17

2. 1 Edge Tangent Flow 각 pixel-centered kernel에서, nonlinear vector smoothing을 실행 ◦ 두드러진 edge direction은 보존, 약한 edge는 이 웃의 지배적인 direction을 따르게. ◦ Sharp corners 보존하고 원하지 않는 swirling artifact를 피하기 위해 similar orientation의 edge에 smoothing을 장려. ◦ 강하지만 관계없는 vector에 영향을 받는 약한 vector를 예방 18

2. 1 Edge Tangent Flow �X : (x, y) image pixel �I(x) : input image � : Neighborhood of x �k : vector normalizing term �t(x) : edge tangent: a vector perpendicular to the image gradient 19

2. 1 Edge Tangent Flow For the spatial weight function Ws, radially-symmetric box filter of radius r, where r is the radius of the kernel : 20

2. 1 Edge Tangent Flow The other two weight functions, Wm and Wd, play the key role in feature preserving. Wm : magnitude weight function denotes the normalized gradient magnitude at z, and controls the fall-off rate Wd : direction weight function 21

2. 1 Edge Tangent Flow at y denotes the ‘current’ normalized tangent vector Sign function This induces tighter alignment of vectors while avoiding swirling flows 22

2. 1 Edge Tangent Flow ◦ t(x)는 initial gradient map of the input image I 로부터 perpendicular vector를 구해서 얻음 ◦ t(x)는 normalize된 후 사용 ◦ Initial gradient map은 Sobel operator(appendix 참고)로 계산 ◦ Our filter는 ETF를 update하기 위해 iteratively 제공할 수 있음: ◦ g(x)도 따라서 update됨(gradient magnitude 는 변하지 않음) ◦ 본 논문에서는 2~3번 update 했음 23

Appendix : Sobel operator Mathematically, the operator uses two 3× 3 kernels which are convolved with the original image to calculate approximations of the derivatives - one for horizontal changes, and one for vertical. If we define A as the source image, and Gx and Gy are two images which at each point contain the horizontal and vertical derivative approximations, the computations are as follow: 24

2. 2 Discussion 25

3. Line construction 26

3. 1 Flow-based Difference-of. Gaussians ◦ 방정식 1에 의해 만들어진 local flow에 의해 모 양이 정의된 커널을 사용하는 flow-guided anisotropic Do. G filter를 제공 ◦ t(x)는 local edge 방향을 나타내고 이것은 gradient의 수직방향에서 highest contrast를 가 질 가능성이 높을 것이라는 것을 의미 ◦ 이 idea는 edge flow를 따라서 이 gradient direction에 linear Do. G filter를 제공하는 것 ◦ flow를 따라 filter의 반응을 누적 27

3. 1 Flow-based Difference-of. Gaussians 28

3. 1 Flow-based Difference-of. Gaussians 29

3. 1 Flow-based Difference-of. Gaussians 30

3. 1 Flow-based Difference-of. Gaussians 31

3. 1 Flow-based Difference-of. Gaussians 32

3. 2 Iterative FDo. G filtering FDo. G에서 파라미터 변경하는 것보다 iterative FDo. G filtering은 line coherence를 향상에 종종 더 효과 원본 이미지에 (10)에서 얻은 이미지 중첩시키고 다시 FDo. G filter 사용 만족할 때까지 반복 FDo. G filter 사용 전에 Gaussian-blur 초기에 disconnected component는 쓰면 더 smooth해짐 connect 됨 33

4. Results 34

4. Results 35

4. Results 36

4. Results(Bonus) 37

5. Discussion and Future work Do. G filter 기반인 우리의 FDo. G filter 는 몇몇 limitation 공유 high-contrast background일 때, 비록 이 area가 지각에 의해 중요하지 않아도 line의 빽빽한 집합으로 채워짐 well-defined strokes보다는 line이 픽셀 집합처럼 형성 isolated edge segments에 FDo. G filter 유용, but여전히 local kernel상에서 작동하기 때문에 global scale subjective contour는 찾기 어려움 future work 가속 38

END 39