通过揭示素描在扩散模型中的潜力，解决了生成人工智能直接素描控制的虚假承诺。我们巧妙地实现了专业素描生成精确图片的民主化过程，证实现有模型变形的空间限制性问题。为了纠正这个问题，我们提出了一种意识到抽象的框架，利用素描适配器，自适应时间步骤采样和经过预训练的精细化素描图像检索模型的辨别引导，协同工作以加强细粒度素描照片关联性。我们的方法在推理过程中无缝运行，无需文本提示；一张简单的草图就像你和我都可以创建的草图一样，就足够了！我们欢迎大家查看论文及其附加资料中展示的结果。贡献包括专业素描生成的民主化控制、引入意识到抽象的框架和利用辨别引导，通过大量实验证实。

Mar, 2024

该研究提出了一种基于深度有条件敌对生成网络和本地特征网络的漫画线画自动上色方法，通过训练更加真实的图像数据，获得更好的视觉效果。

Aug, 2018

本文提出了一种基于深度对抗图像合成框架，结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统，允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的，可以实时看到用户编辑的效果。与最近关于草图到图像合成的研究进行了比较，表明我们的方法可以生成更逼真、更多样和更可控的输出，并且对于灰度图像的用户引导上色也很有效。

Dec, 2016

在本文中，我们提出了一种新颖的对抗生成网络，可以准确地生成具有各种风格的逼真手绘草图，并通过定性和定量评估展示了我们在视觉质量、内容准确性和风格模仿方面的优势，其中应用于 SketchIME。

Jan, 2024

使用 U-Sketch 框架和 U-Net 潜在边缘预测器，在草图到图像合成任务中取得了更好的结果，更好地符合参考草图的空间轮廓，并大大减少所需的去噪步骤和整体执行时间。

Mar, 2024

该论文利用深度神经网络将面部素描图像还原为照片级真实面部图像，采用半模拟数据集和深度学习技术，包括批处理规范化、深层残差学习、感知损失和随机优化。最后，通过艺术和犯罪学示例，展示了该方法的应用潜力。

Jun, 2016

本文探讨了开放领域的手绘草图转照片生成，提出了一种同时学习手绘草图 - 照片和照片 - 手绘草图生成的框架，以解决由于缺乏训练监督和草图与照片领域之间的巨大几何扭曲造成的挑战。通过开放领域采样和优化策略，该方法使得生成器能够将合成的草图视为真实草图，从而在各种开放领域草图的颜色、纹理和几何构成等方面取得了令人印象深刻的结果。

Apr, 2021

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018

该研究提出了一种基于笔画先验限制的生成对抗网络 SkrgAN，用于合成医学影像，实验结果表明该方法在各种图像模态下均能达到最先进的效果，并且用于数据增强可以提高医学图像分割方法的表现。

Aug, 2019

本文使用生成模型和对抗网络探索了将草图合成为图像和将图像转换为草图的问题，并提出了一种新的多对抗网络框架，称为 Photo-Sketch Synthesis using Multi-Adversarial Networks (PS2-MAN)。通过采用 CycleGAN 框架，利用配对信息解决了耦合 / 配对翻译问题。实验结果表明，该框架在图像质量评估和图像匹配方面的性能优于现有的最先进解决方案。

Oct, 2017