Prostoročne slike predstavljajo človeško abstrakcijo vizualnih vsebin, s potencialom uporabe v komunikaciji z naprednimi računalniškimi sistemi. Vendar pa je sistematičen zajem skic, potreben za učenje modelov za njihovo razumevanje, zamuden in drag. Pri naslavljanju problema razumevanja abstrakcije lahko pomagajo generativni modeli, ki so naučeni, da slike pretvorijo v sintetične skice s človeku podobno stopnjo abstrakcije. V tem delu za generiranje skic predlagamo generativni difuzijski model iz družine ControlNet, pogojen z globinsko informacijo iz izvorne slike. Primerjan je z referenčnimi modeli za generiranje skic kot so GAN in napredna detekcija robov. Pri tem nas zanima predvsem semantična podobnost z realnimi skicami. Zato je kvaliteta generiranih skic ovrednotena preko končnega scenarija iskanja po zbirki slik (Sketch-Based Image Retrieval, SBIR), pri katerem je primarno merilo kakovosti prenos znanja brez dodatnega učenja (zero-shot) na človeške skice. Za ovrednotenje je uporabljena zbirka FS-COCO. Tako pri agregatnih ocenah kot pri dodatnih poizkusih z izpuščanjem kategorij se pokaže dosledna hierarhija abstrakcije: skice, ustvarjene z difuzijskimi modeli, dosegajo najboljše rezultate pri iskanju, sledijo jim skice, ustvarjene z modeli tipa GAN, nato pa še skice, pridobljene z metodami detekcije robov. Eksperimenti izpuščanja kategorij kažejo, da je prednost višje stopnje abstrakcije največja pri kategorijah z veliko znotraj-razredno variabilnostjo oblik, kot so živali, in najmanjša pri kategoriji oseb. Verjamemo, da bodo ta dognanja prispevala k lažjemu učenju modelov za razumevanje skic.
|