风格转移生成对抗网络:不同的学习国际象棋方式
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
本文提出了一种名为 Gated GAN 的多样式图像合成模型,该模型结合了编码器,门控变换器和解码器三个部分,可以实现在一个模型中转换多种样式的输入图像,同时通过辅助分类器识别样式类别,以稳定训练并提高合成图像质量。
Apr, 2019
本研究提出了一种利用生成对抗网络通过增加生成的艺术品的新颖性从而实现创造性创作的新系统,研究表明该系统生成的艺术品与当代艺术家创作的艺术品在多个方面得到了人类受试者的高度评价。
Jun, 2017
我们提出了一个快速前馈网络,使用深度特征和纹理统计来表示内容和风格,并使用对抗网络来规范画风生成,包括条件生成器和条件鉴别器,并使用遮罩模块来空间控制风格化级别和稳定对抗训练,在定性和定量实验中与相关工作进行比较。
May, 2018
本论文提出一种新颖的框架,通过使用切片 Wasserstein 距离,固定样式,并引入辅助网络来解决风格和实体转移的广义单次适应任务,并使用变异拉普拉斯正则化来实现跨域对应关系,成功地在各种场景中展示了我们方法的有效性。
Sep, 2022
该论文综述了一种使用卷积神经网络(CNN)进行风格转换的新技术,通过利用 CNN 学习的深层图像表征,实现了分离和操作图像内容和风格的能力,从而合成了以和谐方式结合内容和风格的高质量图像。
Oct, 2023
本研究探索了利用预训练的基于样式生成器的 “样式空间” 控制本地翻译的可能性。提出了一种名为 “Style Intervention” 的轻量级优化算法,用于在高分辨率图像上进行面部属性编辑,证明了其在视觉和定量结果上的有效性,表现优于现有的基准。
Nov, 2020
本文提出了一种新的学习风格无关表示的方法,利用强化学习框架下的风格迁移和对抗学习结合,通过内在的对抗风格扰动生成器来生成不同风格的图像样本,与 actor 进行极大 - 极小博弈,从而实现模型在不同环境下的泛化,并在流行的基准测试中验证了该方法的竞争性或优越性。
Aug, 2022
本研究探讨了结合不同损失函数的图像生成模型在时尚生成中的创新性。通过设计一个评估协议,结合自动度量和人类实验研究,本研究发现,相对于 Creative Adversarial Networks 所采用的创新性评估标准,本研究所提出的创新性标准更具创意性。以及在新颖性和喜好性方面,本研究所提出的损失函数得分最高。
Apr, 2018
本文提出一种使用深度对比学习的方法,通过学习图像特征来获得图像的样式表示,并使用生成网络进行样式转移。研究表明,相对于现有的基于二阶统计量的方法,这种方法能够更加有效地获取图像的样式信息并生成更好的结果。
May, 2022