基于笔划的手势绘制方法生成虚拟现实智能硬件

虚拟现实智能硬件• 文章·2022年10月第4卷第5期：38110.1016/j.vrih.2022.08.004一种简单的基于笔划的手势绘制方法Lesley ISTEAD1*，Joe ISTEAD2，Andreea POCOL2，CraigS.KAPLAN21. 加拿大安大略省渥太华卡尔顿大学信息技术学院2. 加拿大安大略省滑铁卢市滑铁卢大学计算机科学学院接收日期：2022年6月5日;修订日期：2022年7月23日;接受日期：2022年8月30日翻译后摘要：背景手势画是一种类型的流体，快速素描与松散和粗略绘制的线条，捕捉的议案和感觉的主题。虽然能够从输入图像学习样式并将其应用于次级图像的样式转移方法可以再现许多样式，但是它们当前不能产生手势绘图的流动笔划方法在本文中，我们提出了一种方法来产生手势画，粗略地描绘对象或场景与松散的舞蹈轮廓和疯狂的纹理。通过遵循梯度场，我们的方法适应基于笔划的绘画渲染算法，以产生长的弯曲笔划。一个粗糙的，透支的外观是通过逐步完善。此外，我们通过改变笔划方向来生成粗略的图案填充笔划这些将可选的阴影添加到手势绘图中。结果丰富的参数为用户提供了调整输出风格的能力，从短而快速的笔划到长而流畅的笔划，从漩涡到直线。潜在的文体输出包括钢笔和墨水和彩色铅笔。我们提出了几个生成的手势画，并讨论了我们的方法应用到视频。结论我们的基于笔划的渲染算法产生令人信服的手势画与众多的可控参数，允许创建各种风格。关键词：手势绘制;草图绘制;非真实感绘制加拿大自然科学与工程研究委员会资助引用：Lesley ISTEAD，Joe ISTEAD，Andreea POCOL，Craig S。卡普兰一种简单的基于笔划的手势绘制方法。虚拟现实智能硬件，2022，4（5）：3811 介绍艺术家使用流畅和快速的手部动作来创作手势画，这些动作产生松散和粗略的线条来捕捉主体的感觉线条的层次被建立起来，逐渐完善了主体的外观。这种分层技术会产生错误的线条和过度绘制的区域，这些区域以牺牲清晰的描绘为代价进行修饰（图1）。通常添加简单的阴影以增强主体所产生的感觉或情绪。这些手势画通常用于研究大型艺术作品或快速捕捉事件，甚至用作最终的艺术作品[1]。提供类似草图的过滤器的样式化工具无法产生手势绘制的松散流畅的外观*通讯作者 ，LesleyIstead@cunet.carleton.ca2096-5796/©版权所有2022北京中科学报出版有限公司有限公司、出版社：Elsevier B.V.我代表科爱通信有限公司公司 这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。382虚拟现实智能硬件十月（2022）卷。4条第5(a)两个姿势（小约瑟夫·F·姆普雷(b)脚（Lesley Istesd）(c)花（Andreea Pocol）（d）水果（Andreea Pocol）(a)原始照片(b)第一风格图像（伊恩沃尔(c)第一样式传送结果(d)第二风格意象(e)二式(f)我们的结果（国家美术馆）转让结果样式转换是一种用于非真实感渲染的最新方法。这种方法使用深度学习和神经网络将一个图像的风格应用于另一个图像。因此，单一算法可以再现许多不同的艺术风格[2]。尽管这些方法对于许多不同的风格产生可信的结果，再现短的详细笔划，但是即使当这些长线存在于参考风格图像中时，也不存在长的连续笔划。不仅没有松散、流畅和连续的手势画线条，而且尝试使用样式转换来创建手势画会产生很大程度上令人不快的结果，如图2所示。图2c中所示的风格转移图像是使用NightCafeStudio（nightcafe. studio）的深度学习AI生成的，图2e显示了Reiichiro Nakano使用TensorFlow和修改后的MobileNetV2实现的在线风格转移[3]。还请注意，文本到图像生成深度学习工具，如DALLE和Imagen，可用于通过文本提示生成手势绘图对于图3中的图像，我们在DALLE-mini（craiyon.com）中使用了提示符虽然这种方法能够产生草图，但它缺乏与手势绘制相关此外，用户对最终图像内容或布局没有特定的控制，即，它们不能提供用于风格化的图像图1各种手势图。注意使用不严格遵循轮廓的长而弯曲的笔画。还要注意粗糙的，过度绘制的区域，这些区域是由形式和形状的逐步细化所创建的图 2手势画的风格转换方法。383Lesley ISTEAD，et al.一种简单的基于笔划的手势绘制方法(a)一朵玫瑰(b)玫瑰的手势画图3使用DALLE-mini的文本到图像生成来创建手势绘图。其他制作草图和图纸的方法侧重于轮廓，并考虑风格特征，例如在绘制初始草图后进行过度绘制，因此最终的草图通常看起来干净而僵硬。手势绘图往往是松散的，流体和粗糙的，具有过度绘制的外观，而不是干净和僵硬。考虑到手势绘画的期望属性，即，长的、松散的和弯曲的笔划;显著特征的粗略描绘;以及由渐进细化产生的过度绘制区域，经典的基于笔划的绘画式渲染算法有些类似。特别地，经典的基于笔划的绘画式渲染算法通常产生流畅的笔划，同时使用渐进的细化来产生具有手绘外观的准确的草图。Hertzmann提出的简单方法暴露了大量的参数，可以利用这些参数来控制几个画笔笔划属性，并生成具有所需粗糙和匆忙绘制外观的绘画[4]。图4c和4d表明，如果画笔直径足够小，Hertzmann然而，具有较小刷子直径的绘画具有不期望的副作用。图4c和图4d中的素描式绘画缺乏手势绘画中常见的流畅、松散的外观。它们也没有过度绘制的外观，这是在绘制草图时进行逐步细化的结果。第3节详细阐述了较小的刷子直径如何干扰渐进式优化过程并引发此类副作用。在本文中，我们提出了一个简单的和可定制的方法建立在绘画渲染算法的生产手势图纸。我们还介绍了一种生成粗略阴影的方法，以便为手势绘图提供除了产生流畅的手势画，我们的方法也可以用来产生新颖的动画。第2节讨论了以前的研究，第3节提出了建议的方法并描述了各种参数和独特的风格。第3.5节给出了所提出方法产生的结果。第4节介绍了我们的阴影方法，第5节讨论了如何将此方法应用于视频。2 以前的工作许多自动绘制算法产生三维（3D）表面的钢笔和墨水绘图。Hertzmann等人提出了一种绘制带有阴影线的3D对象的平滑轮廓的方法，384虚拟现实智能硬件十月（2022）卷。4条第5(c)使用单像素画笔直径绘制，网格大小=50(d)使用单像素画笔直径绘制，网格大小=25(a)原始图像(b)我们的算法图4我们的结果与由Hertzmann算法生成的素描状绘画的比较注意绘画中缺乏过度描绘和突出性交叉阴影区[5]。DeCarlo等人提出了一种算法，该算法仅绘制暗示性轮廓，即传达形状的内部线条（例如，（6）在《易经》中，“以德为本，以道为本”。Goodwin等人使用艺术画笔来渲染和装饰轮廓，并使用可变厚度的线条来暗示轮廓[7]。他们使用等照度线距离确定线的厚度，产生表面曲率的错觉Kalnins等人将自动轮廓和轮廓生成与阴影和艺术标记相结合，以生成具有更多手绘质量的3D表面的精确草图[8]。这些算法产生的结果类似于刚性的3D几何技术图纸，而不是粗略的草图。此外，这些方法不能直接适用于2D图像，因为它们依赖于3D网格来识别边缘。然而，一些2D草图绘制算法检测边缘并使用艺术画笔渲染它们。Wang等人提取突出的边缘，并使用短的、纹理粗糙的笔画重新绘制它们[9]，而Orzan等人开发的方法发现边缘并从其显著性确定其渲染风格[10]。许多2D算法不是生成具有粗糙外观的草图，而是旨在使用各种形式的Canny边缘检测，边缘切线流或高斯差分生成连贯和无噪声的线条图[11 - 15]。Lu等人用短、直、重叠的笔画呈现突出的边缘，并应用色调映射来制作详细的铅笔画[16]。虽然他们的结果具有手绘的品质，但它们比我们所期望的粗略、过度绘制的草图更精确其他方法侧重于艺术风格化，而不是准确性。Jodoin等人开发的算法自动生成从艺术家提供的样本中学习的阴影图案，然后将这些阴影沿着艺术家建议的线条放置[17]。AIKON项目生成的草图具有沿图像片段中轴定向的直线[18]。风格转移算法使用各种神经网络技术将一个图像的风格组合成另一个。较低级别的特征，例如来自样式输入的小笔划和细节，在计算错误时通常被更强地加权。对于许多样式，这是足够的，因为笔划和图案通常在这种较小的尺度下孤立地存在，而较大的更高级别的区域捕获越来越复杂和复杂的图案。385Lesley ISTEAD，et al.一种简单的基于笔划的手势绘制方法(c)第1层和第2层涂漆(d)草图图层2(a)绘画层1（b）草图层1更大的特征，指示与风格相对的主题/内容。然而，这使得很难捕捉更大的风格特征，例如在手势绘画中观察到的长流畅笔画，以及风格扭曲，例如在野兽派绘画中观察到的风格扭曲[2]。其他最近的方法使用高斯差分来确定线条的显着性和重要性，然后将粗糙的铅笔纹理应用于渲染的线条[19]。Yeom等人提出了一种使用生成对抗网络（GAN）来学习和应用草图风格的方法[20]，Yang等人提出的方法使用GAN将风格应用于图像的选择区域并生成草图[21]。虽然这些方法产生令人信服的图纸和草图，手势画的混乱笔画是失踪。3 方法第3.1节介绍了将绘画式渲染算法应用于草图的目标和动机，第3.2节介绍了草图算法本身。第3.3节讨论了我们的实现选择，第3.4节描述了用户参数及其对生成的草图的总体影响3.1 目标：透支和突出通常通过层的渐进细化来创建，无论绘画算法的其他参数变化如何，都不能用小的画笔直径来诱导过度绘制给定大的网格尺寸（用于计算细节的平均差异）和小的画笔直径，画布的大区域保持未绘制，因此连续的层倾向于将笔划放置在这些开放区域中，而不是细化已经绘制的区域，从而抑制过度绘制。此外，使用较小的画笔直径消除了绘画的突出性传统上，选择一个递减的画笔直径序列会产生一组层，这些层会逐渐细化绘画中的突出细节，如图5所示。但是，为所有层选择相同的画笔大小会破坏图5从一层层的笔画中构建图4中的草图。参数：公差τ = 0.226，画笔直径{10，20，40}，行程长度[100，150]。386虚拟现实智能硬件十月（2022）卷。4条第5细化过程，因为层本身变得难以区分。虽然减小网格大小或增加层数可能会重新引入一些渐进的细化并导致过度绘制，但画布会被精细的绘画笔划覆盖，从而增加噪波级别，直到草图类似于实心黑色画布，这是最坏的情况。类似地，其他基于笔划的绘画渲染算法不能仅仅通过改变输入参数来产生过度绘制的草图3.2 速写算法草图算法通过将绘画中的笔触映射到草图画布上的草图线，利用了基于笔触的绘画渲染的长、弯曲的笔触和渐进的细化特征。我们使用Hertzmann的绘画渲染算法来生成画笔笔划，如算法1所示。赫兹-曼的方法可以产生长的曲线笔画，体现了手势画的流动性该算法使用样条来描述每个画笔笔划的配置。我们的方法为每个笔划存储样条控制点，并按层对它们进行分组。绘制阶段完成后，草绘阶段使用一个像素宽的笔划从用户选择的层子集渲染样条线。图5显示了使用基本输入配置可以实现为了在计算梯度G之前进一步控制笔划的构造，应用中值滤波器以减少图像中的噪声。由于颗粒或压缩伪影而产生的不需要的噪声可能会导致笔划方向错误。此外，与Yang et al. [22]，我们计算输入图像I的边缘，并将它们添加到中值滤波图像Lm，以鼓励边缘处的较长笔划。最后，与Northam et al.[23]，我们在将笔划绘制到画布上之前根据亮度对笔划进行排序，这在保持图像颜色梯度的同时稳定了算法算法1中给出了添加注意，在算法1中，我们使用以下公式[4]计算像素的亮度：L（r，g，b）= 0.3r + 0.59b + 0.11g误差计算为两个像素之间的颜色差异E（r0，g0，b0，r1，g1，b1）=（一）（二）此外，我们使用Sobel滤波器来计算图像梯度。然而，中心差分和其他方法也工作得很好。算法1绘画渲染和草图算法设I为输入图像，C为画布B←高斯模糊IL←计算BE←对L的计算边缘应用中值滤波器Lm←对L应用中值滤波器以去除噪声Le←Lm +EG←图像梯度（Le）对于每个画笔直径b做错误图像R←（C对于每个区域r∈R，如果r的平均误差> τ，则有一定的容差，找到P，即区域r中误差最大的点创建从P开始的笔划s，使用G，如Hertzmann et al. [4]将s添加到paintstrokes和strokelist如果结束，则结束按亮度排序画笔通过将s渲染为来自点列表的样条曲线，将画笔中的每个s绘制到画布C上通过将每个笔划渲染为点列表中的样条线，绘制笔划列表到草图画布端（r0 r1）2+（g0g1）2+（b0b1）2387Lesley ISTEAD，et al.一种简单的基于笔划的手势绘制方法3.3 实现细节虽然算法的绘画阶段可以使用创建画笔笔划层的任何方法来实现，但Hertzmann的绘画渲染算法提供了对各种参数的细粒度控制，同时还生成遵循高斯模糊输入图像的矢量场的画笔笔划层。我们还考虑海斯等人。的算法的绘画阶段[24]。他们的绘画渲染器产生草图与短，边缘修剪线段定向的矢量场与径向基函数平滑。然而，这种精确的笔划排列并不能产生所需的粗糙、过度绘制的区域或有噪声的草图。相比之下，Collomosse et al.的遗传搜索渲染器在配置为使用次优笔划轨迹时生成松散和粗略的绘画[25]。总的来说，我们发现，越来越精确的绘画渲染算法，在准确的描绘方面，产生越来越少的有趣和流畅的手势绘画。虽然这些方法提供了一定的优势，但Hertzmann的算法由于其相对简单而被选中，产生了手势绘画中可见的粗糙，松散和流畅的笔画。3.4 参数绘画算法的细化过程将草图线集中在边缘和突出的细节上，产生手绘草图常见的过度绘制的外观虽然增加绘画画布中的层数会增强草图画布上的这种效果，但也会增加草图线的总数。绘画渲染器参数提供了额外的风格控制和灵活性。这些参数包括容差、笔划长度、栅格大小、画笔直径、曲率和模糊因子。(a) 公差（0≤τ≤3）控制着涂漆的精度和过度拉伸的程度低τ产生更精确的绘画和相应草图中更多的过度绘制区域。请注意，随着图像边缘的不断细化，较小的公差将在后面的层中产生极其密集的草图线较大的公差可能会使草图的某些区域为空白，因为背景并且相应的绘画可能不需要改进。当关注一个突出的主题时，更大的容忍度可能是可取的。(b) 笔划长度影响显著细节的清晰度短的笔触减少了夸张，提高了清晰度。短笔画创造出看似疯狂的手势。较长的笔划创建循环和跳舞的手势绘图。(c) 网格大小指定在计算细节中的平均差异时区域的大小。因此，它控制绘制线的总数以及给定图层中绘制线之间的距离。增加网格大小会减少笔划总数并增加笔划间距。将栅格大小设置为大于1的值可通过降低其密度来减少后面图层中的过度绘制线的数量。(d) 笔刷直径影响给定层的绘制线之间的距离。大笔刷会将笔划设置得更远，并在图形中创建密度较低的笔划然而，这将为后续层创建更多的(e) 曲率控制笔划的直线度。小于1的值会产生越来越直的笔划，类似于快速绘制的笔划或图案填充。(f) 模糊因子增加了笔划的平滑度，但降低了图像的显著性。例如，虽然较高的因子产生较模糊的输入图像，平滑图像流和产生的画笔笔划，但它们也模糊了输入图像中的细微细节，降低了输入和输出的显著性。氩模糊因子与长笔划相结合，创建漩涡图案。388虚拟现实智能硬件十月（2022）卷。4条第5(a)长冲程，100-150单位(b)较小直径的电刷（触发增加的冲程密度），{5，20}(c)减小的冲程曲率，c = 0.25，产生直线，快速中风(d)原始图6显示了通过单独改变每个参数所获得的一些不同结果。草绘算法参数化初始绘画画布。在Hertzmann的原始算法中，画布被初始化为最大误差值，以确保其完全覆盖。然而，手势绘画往往表现出缺乏笔画的区域，而是专注于轮廓和轮廓的再现，并提请注意场景中的突出细节第3.3节中讨论的算法不会将画笔笔划放置在绘制的画布的公差τ内的任何区域中因此，如果画布的初始颜色与输入图像中的许多区域匹配，则这些区域可能不会接收任何笔触，从而导致极其稀疏的草图。虽然减小τ增加了画布覆盖率，但它也增加了同一画布上的过度绘制和渲染精度，产生了不期望的草图（例如，过度绘制的草图）。用户可以指定画布的颜色，也可以为用户提供一个要在其上进行绘制的图像。3.5 草图样式通过改变初始画布和绘画和样条渲染参数，我们证明了风格的灵活性的素描算法。钢笔和墨水将草图笔划渲染为细黑线会生成粗糙的手势绘图。在白色的τ范围内的绘制笔划不会转向草图线，因为与现有的2D和3D自动绘制方法类似，所提出的算法沿着边缘、轮廓和轮廓放置线，如图8所示。由该算法产生的草图线也描述了表面材料的属性，如图案和纹理。如图5所示，手势绘图还包含不对应于显著细节的描绘的笔划，例如，玫瑰花瓣内不是边缘、剪影或轮廓的笔划。这些从初始绘画层生成的额外笔划传达纹理和曲率，同时提供所需的粗糙和匆忙绘制的外观。彩色铅笔草图线绘制为与绘制的笔触的配置和颜色相匹配的半透明线。图6从第二个绘画层创建的草图展示了绘画渲染器参数的风格灵活性。常用参数：τ = 0.226，画笔直径{10，20，40}单位，笔画长度[0，150]单位，曲率c = 1.0。389Lesley ISTEAD，et al.一种简单的基于笔划的手势绘制方法(a)原始图像(b)模糊图像画布(c)边缘图像画布(d)具有未初始化画布的草图（e）具有模糊图像画布的草图（f）具有边缘图像画布的草图图7用复杂的画布影响风格。基于画笔直径{7，15，30}和笔划长度[0，150]的三层草图。重叠草图线区域会产生颜色饱和度，从而模仿重叠铅笔笔划的行为。钢笔和墨水算法与彩色铅笔算法之间的主要区别在于创建初始绘画的画布。不像手势画，它离开页面的区域空白，彩色铅笔素描覆盖页面更完整的笔触。通过将初始画布设置为最大误差图（第3.4节），可以实现此覆盖率图9说明了钢笔和墨水草图与钢笔-蜡笔草图之间的差异。4 粗阴影(a)原始(b)草图图8绘有干玫瑰花的花瓶的钢笔素描。由对应于画笔直径{10，20，40}和笔划长度[20，80]的三个层创建。公差τ = 0.113。注意轮廓、轮廓和绘画细节的再现。手势绘图，如图1，引入粗略的阴影来区分光和阴影区域。许多草图算法也提供了一种表示色调的方法，通常以垂直于轮廓和轮廓的阴影笔划的形式虽然我们提出的草绘方法不能再现色调，但可以修改它以生成垂直于边缘的填充笔划，作为草绘过程的第二个可选阶段。首先，代替在平均误差大于用户指定的平均误差的区域中生成笔划，390虚拟现实智能硬件十月（2022）卷。4条第5(a)原始图像(b)彩色铅笔与白色油漆画布(c)具有最大误差图的彩色铅笔画布图9彩色铅笔画的老虎。（b）中的图像缺少白色草图线，因为没有针对白色画布生成白色画笔笔划，而（c）中使用的错误映射画布保证了笔划和草图线的渲染。画笔直径={10，20，40}，笔划长度=[50，80]，曲率c = 0.05。摄影：Paul de Bruin如在算法1中那样，在平均亮度小于τ的区域中生成笔划随后，修改算法1中的基本绘画算法以生成平行于梯度（并且因此垂直于边缘）的笔划。这些是当误差大于公差时应终止的填充笔划。为了产生多层次的音调，(a) 具有五层阴影的球体用于产生更平滑的渐变(b) 双层孵化该方法可以随着τ值的减小而重复。图10显示了两个草图，其中添加了几个阴影层以重现色调。5 动画手势绘画图10为草图添加阴影层以重现色调。 图案填充笔划的曲率参数设置为0.5，以生成更直的笔划。为了制作粗糙的动画，我们的手势绘制算法可以应用于视频的各个帧。产生的动画在时间上是不连贯的，因为每一帧都是独立于其他帧渲染的。这种时间连续性的缺乏，其中笔画出现然后突然消失（即，爆裂声），可能会分散注意力。在绘画渲染算法中，可以通过在前一帧上绘制来减少弹出[5]。新笔划将仅在帧中与前一帧不同的区域内绘制，从而减少弹出的影响。但是，如果将此技术应用于我们的手势绘制方法，则不同的区域将包含太多的笔划。在使用粗绘制笔划来覆盖差异的情况下，上一帧和当前帧中对应的细草图线都可见。这会产生令人不快的外观，并通过模糊相关笔划有效地“隐藏”帧之间的变化。另一种方法是操纵笔划的控制点，使得笔划随时间改变其长度和形状。然而，这给了笔画一个相反，我们选择了离开时间不连贯的外观看到许多动画电影，如391Lesley ISTEAD，et al.一种简单的基于笔划的手势绘制方法雪人”。当使用24或30fps的典型帧速率时，笔画弹出会高度分散注意力。然而，如果帧速率降低到10 -12fps，就像在动画中经常看到的那样，弹出成为动画手势绘制的角色的一部分。由于这种绘画的粗糙性质，高动作视频是嘈杂的，并且在以这种方式呈现时难以跟随。6 结论和今后的工作本文提出了一种二维手势绘制算法，该算法与现有的二维和三维算法相似，绘制轮廓、轮廓和该算法也可用于再现具有粗阴影笔划的色调各种绘画渲染器参数（如笔划长度和曲率）提供了额外的风格控制和灵活性，而无需艺术画笔或后处理方法。通过预先初始化画布，使算法能够生成钢笔和墨水以及彩色铅笔草图，也可以获得艺术这项工作可以通过确定和明确定义通过实地研究认为有利的参数集来扩展。其他研究可以集中于将该算法扩展到非素描媒体，例如康特，粉彩，剪影和半色调。该算法还受到其非交互性的限制。具体地，用户可能希望在绘画阶段期间修改各个画笔笔划（即，在每层的层代之间）或刚好在映射到草图线之前。用户还可能希望修改层之间的输入参数（例如，图像流、τ和误差图）。这些仍然是未来研究的潜在主题。竞合利益我们声明我们没有利益冲突引用1 Kimon N.自然的方式来画。霍顿米夫林公司，1941年2 Gatys L A，Ecker A S，Bethge M.使用卷积神经网络进行图像风格转换。2016年IEEE计算机视觉与模式识别会议（CVPR）3 中野河浏览器中的任意样式传输，20224 赫茨曼河使用多种大小的弯曲画笔笔划进行绘画渲染第25届计算机图形与交互技术年会论文集美国纽约州纽约市，1998年DOI：10.1145/280814.2809515 Hertzmann A，Zorin D.描绘光滑的表面。第27届计算机图形与交互技术年会论文集。美国纽约州纽约市，2000年6 放大图片作者：DeCarlo D，Finkelstein A，Rusinkiewicz S.具有时间相干性的提示性轮廓的交互式绘制。第三届非真实感动画和渲染国际研讨会美国纽约州纽约市，2004年7 放大图片作者：A.等射距离：一种艺术笔触粗细的着色方法。第五届非真实感动画和渲染国际研讨会美国纽约州纽约市，2007年DOI：10.1145/1274871.12748808 [10]李文辉，李文辉.所见即所得：直接在3D模型上绘制笔划。第29届计算机图形与交互技术年会论文集。美国纽约州纽约市，2002年9 王军，包华，周伟，彭清，应庆。基于图像的铅笔素描自动绘制。计算机科学与技术，2002，17（3）：347DOI：10.1007/BF0294731310 Orzan A，Bousseau A，Barla P，Thollot J.照片的结构保留操作。第五届非真实感动画和渲染国际研讨会论文集。美国纽约州纽约市，2007年11 [10]李文辉，李文辉.人们在哪里画线？在：ACM SIGGRAPH 2008会议记录。美国纽约州纽约市，2008年DOI：10.1145/1399504.1360687392虚拟现实智能硬件十月（2022）卷。4条第512 [10]李文亮，李文亮.线条画如何描绘形状？ACM图形学报，2009，28（3）：1DOI：10.1145/1531326.153133413 杨文，李文辉，李文辉，李文辉，李文辉.从3D图像生成粗略的立体3D线条图。参见：Proceedings of Graphics Interface 2021，GI2021。加拿大信息处理协会，2021年14 姜宏，李S，崔建光.连贯的线条画。第五届非真实感动画和渲染国际研讨会论文集。美国纽约州纽约市，2007年15 罗新平，赖耀光。最低限度的艺术表现。在：第八届非真实感动画和渲染国际研讨会论文集纽约，纽约，美国，2010年16 陆春，徐丽，贾军。素描与色调相结合的铅笔画创作。在：非真实感动画和渲染研讨会论文集。2012年，瑞士，17 Jodoin P M，Epstein E，Granger-Piché M，Ostromoukhov V. Hatching by example：a statistical approach.第二届非真实感动画和渲染国际研讨会美国纽约州纽约市，2002年18 放大图片作者：J.Aikon：艺术/自动图像仪。In：ACM SIGGRAPH 2006.美国纽约州纽约市，2006年19 Yang H，Min K.基于重要性的粗绘图方法视觉计算机，2019，4，3520 Yeom J，Yang H，Min K.一个基于注意力的生成对抗网络，用于生成说明性草图。数学，2021，9（21）：2791DOI：10.3390/math921279121 Yang H，Min K.使用空间控制的生成模型合成双重艺术媒体效果。电子学，2022，11（7）：1122DOI：10.3390/electronics1107112222 Yang H，Min K.基于重要性的粗绘图方法。The VisualComputer，2019，35（4）：609-622 DOI：10.1007/s00371-018-1490-123 张文辉，李晓梅，李晓梅.画笔笔划排序技术的绘画渲染。在：第六届国际会议上计算美学在图形，可视化和成像。瑞士艾尔城钢琴家，201024 作者：A.基于图像和视频的绘画式动画。在NPAR。200425 Collomosse J，Hall P.使用遗传搜索的显着自适应绘画渲染。国际机场Journal on Artificial Intelligence Tools（IJAIT），2006，4（15）：551DOI：10.1145/987657.987661