NIPSOct, 2016

学习何时何地绘制

PDF
TL;DRGenerative Adversarial Networks 已经在绘制逼真的世界图片方面展现了相当可观的能力，现有的模型可以根据类别标签或标题等全局限制生成图像，但不能控制姿势或对象位置，本文提出了一种新的模型 ——Generative Adversarial What-Where Network，它能根据所描述的内容和位置进行图像综合，并在 Caltech-UCSD Birds 数据集上展示了高质量的 128 x 128 图片综合，还可以控制鸟周围的边界框及其组成部分，通过模拟条件分布，我们的系统还能够使各个部分进行控制，同时展示了在 MPII Human Pose 数据集的关于人体动作图像的文本与位置可控合成的初步结果。
generative adversarial networksgawwnimage synthesisobject locationpart locations
发现论文，激发创造
  • 生成对抗文本到图像的合成

    利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

    May, 2016

  • 使用生成对抗网络学习生成椅子

    本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

    May, 2017

  • 通过示例学习粒子物理学：基于位置感知的生成式对抗网络用于物理合成

    我们通过应用一种新颖的生成对抗网络（GAN）架构到喷气图像的生成，提供了机器学习社区中生成建模与高能粒子物理中模拟物理过程之间的桥梁，并提出了一种简单的位置感知生成对抗网络。这项工作为将 GAN 用于高能粒子物理中的快速模拟提供了基础。

    Jan, 2017

  • 利用生成对抗网络在本地控制图像生成来装饰你自己的卧室

    本文提出一种能够支持 GAN 生成图像的局部编辑的有效方法，称为 LoGAN，利用内容调制，风格调制与优先级掩码来精确控制生成特征，在卧室合成等实验中展示了局部编辑图像的巨大潜力，可为多功能图像编辑提供模板。

    May, 2021

  • MC-GAN：多条件生成对抗网络用于图像合成

    本文提出了一种新方法，为生成目标图像，通过掌握给定背景信息，由文本属性生成目标物体图像，特别关注了控制物体和背景信息总和的多条件生成对抗网络方法（MC-GAN），在训练阶段通过生成物体和背景信息的合成块来实现。文中应用于实验，如 Caltech-200 鸟和 Oxford-102 花数据集，能够生成具有 128 x 128 分辨率的相片逼真的图像。

    May, 2018

  • GAGAN: 几何感知生成对抗网络

    该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

    Dec, 2017

  • 生成对抗网络在图像合成中的介绍

    本文提供了生成对抗网络在图像合成中的方法分类、文本到图像合成和图像到图像翻译的不同模型的回顾、以及一些评估指标及未来可能的研究方向。

    Mar, 2018

  • 通过生成对抗和排序网络进行弱监督目标发现

    本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

    Nov, 2017

  • HumanGAN：一种生成人类图像的模型

    本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

    Mar, 2021

  • 生成对抗网络的 “可操控性

    该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

    Jul, 2019