使用生成对抗网络创建百万像素大小的图像
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
通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结构和纹理特征。
May, 2024
使用条件生成对抗网络(conditional GANs)从语义标签图中合成高分辨率照片般真实的图像,并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构,生成 2048x1024 的视觉吸引力结果。此外,我们将我们的框架扩展到与两个额外功能的交互式视觉操作,它们是:将对象实例分割信息整合进去以进行对象操作(如删除 / 添加对象和更改对象类别),以及提出一种方法,可以在给定相同输入的情况下,生成不同的结果,允许用户交互式地编辑对象外观。人的意见研究表明,我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。
Nov, 2017
本文提出了一种名为 AEGAN 的新型生成对抗网络,该网络使用自编码器学习真实图像的内在高级结构,并设计了一个新型的去噪网络来为生成的图像提供逼真的细节,从而能够直接从输入噪声生成 512x512 的高质量图像,结果比其他基线(包括 Oxford-102 Flowers、Caltech-UCSD Birds(CUB)、高质量大规模 CelebFaces 属性(CelebA-HQ)、大规模场景理解(LSUN)和 ImageNet)产生更好的知觉逼真度,即具有更清晰的结构和更丰富的细节。
Mar, 2019
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023
本文提出了一种新的医学影像生成对抗网络 (MI-GAN),可以用于合成视网膜图像及其分割掩模,以进行医学影像的监督分析,结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异,达到了当时的最佳状态。
Oct, 2018
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019