摘要

我们提出了一种基于语义布局合成摄影图像的方法。给定一张语义标签图，该方法可以生成符合输入布局且具有摄影外观的图像。因此，该方法可作为渲染引擎，接受场景的二维语义描述并生成相应的摄影图像。与近期及同期的研究不同，我们的方法不依赖对抗训练。我们展示了通过一个具有适当结构的前馈网络，可以直接以回归目标端到端地训练来从语义布局合成摄影图像。所提出的方法可以无缝扩展到高分辨率；我们在200万像素（2-megapixel）分辨率下合成了摄影图像，这是我们的训练数据的全分辨率。在室外和室内场景数据集上进行的大量感知实验表明，所提出的 方法合成的图像比其他方法更加逼真。结果展示在补充视频中，链接为：https://youtu.be/0fhUJT21-bs