Mar, 2016

使用风格和结构对抗网络进行生成图像建模

PDF
TL;DR本研究提出了一个解决图像生成的新框架，通过拆分成结构生成和风格生成两个 GAN 组件，使用附加的损失函数和联合学习，该模型可以生成更真实的图像，用于学习无监督的 RGBD 表示。
generative frameworksimage generationstructure-ganstyle-ganunsupervised rgbd representations
发现论文，激发创造
  • 深度结构生成模型

    本文提出了一种新颖的深度结构生成模型，它基于随机与或图来编码场景的结构，并引入了检测网络来推断图像中的场景结构。实验结果表明，该方法不仅能够建模内在结构，还可以生成逼真的图像。

    Jul, 2018

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • 通过生成对抗网络实现风格分离和合成

    本文提出了一种新的深度学习网络 S3-GAN，可以同时实现特定类别物体照片的风格分离和风格合成。该网络结构包括编码器网络、生成器网络和对抗网络，基于前提假设物体照片在流形上，内容和风格是相互独立的，并通过编码器网络实现风格分离，生成器网络实现风格合成，对抗网络生成更加逼真的图像。实验表明，S3-GAN 可以在单个模型中同时捕捉各种风格，具备一定的风格分离和合成能力。

    Nov, 2018

  • 基于风格的生成对抗网络生成器架构

    本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

    Dec, 2018

  • 生成对抗网络中的风格与内容分离

    该研究提出了一种新的无监督算法 ——Style and Content Disentangled GAN（SC-GAN），该算法可以让训练的生成敌对网络（GAN）以一种分离风格和内容的方式学习数据的表征。

    Nov, 2018

  • 使用复合生成对抗网络逐部生成图像

    本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

    Jul, 2016

  • 图形生成对抗网络

    提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

    Apr, 2018

  • 风格化投影 GAN：一种快速且逼真的图像生成新结构

    利用转移学习将生成和真实样本投影到预训练的特征空间中，提出了优化后的结构化投影生成式对抗网络 Stylized Projected GANs，用于解决生成图像中出现的问题。

    Jul, 2023

  • 空间生成对抗网络纹理合成

    本文介绍了一种基于生成对抗网络的新型纹理合成模型，即空间 GAN（SGAN），其通过将输入噪声分布空间从单一向量延展至整个空间张量，实现了高品质、高可扩展性和快速实时正向生成等特点，并能够将多个不同类别的源图像融合到复杂的纹理中。同时，本文还讨论了该方法的一些局限性，并将其与其他神经纹理生成技术进行了比较。

    Nov, 2016

  • SofGAN：一种具有动态风格的肖像图像生成器

    提出了一种 SofGAN 图像生成器来将肖像的潜在空间分解为几何空间和纹理空间，在经过一系列实验后，展示了该系统可以生成具有对几何和纹理属性具有独立可控性的高质量肖像图像。

    Jul, 2020