基于姿态的人类图像生成的可变形 GANs
本文提出了一种基于姿势和外貌信息生成人物图像的方法,使用带有 “可变形跳跃连接” 的生成对抗网络来解决像素对像素的错位,并使用最近邻损失来匹配生成图像中的细节与目标图像。实验结果表明,这种方法在人物再识别任务中具有很好的性能表现。
Apr, 2019
本文提出了一种使用生成式对抗学习的新方法,用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题,并且将其分解成两个主要子任务,一是姿势条件的双向生成器,二是定义一个新型的损失函数,包含内容和风格项,旨在生成高感知质量的图像,可以在 DeepFashion 数据集上进行广泛的实验验证。
Sep, 2018
利用残差学习的方法,结合有效的数据增强技术,提出一种简单而有效的姿态转换 GAN,在不需使用额外功能学习的情况下,在任意姿态下生成给定的人体图像。该方法在两个大型数据集上展现出比现有方法更优越的性能,实现了在光照、遮挡、失真和尺度方面的鲁棒性。
Jan, 2020
本文介绍了 Soft-Gated Warping Generative Adversarial Network(Warping-GAN)的开发,该网络利用了灵活轻便的规避块,以在生产人像时处理任意姿势等大尺度几何变换,并在两个大型数据集上得到了显着优越的表现。
Oct, 2018
本文提出了一种基于新颖的深度生成模型的图像迁移方法,可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势,使用图像编码器、姿势编码器和解码器的结构,同时利用两个鉴别器来指导产生过程。经过严格的实验,在两个数据集上定量和定性地验证了该方法的效果。
Jun, 2019
提出了一种新的生成式对抗网络,用于姿势转移,其生成器由一系列姿势注意传输块组成,可以生成具有更好外观一致性和形状一致性的图像,此方法能够为人物重新识别生成训练图像,并提高具体实现的效率和有效性。
Apr, 2019
本文提出了一种基于单个图像的算法来重新渲染人物在各种姿态下的效果,并通过人体对称先验来学习插画对应关系,使用 StyleGAN 生成器控制外观和姿态,比现有技术表现更好
Sep, 2021
本文介绍了一种基于结构感知流的方法,利用语义部分将人体分解,来应对人物姿态变换并生成高质量图像,网络模块能够有效地捕捉人体局部和全局语义特征,实验结果表明,该方法在生成高质量图像方面胜过其他方法。
Feb, 2021
本文提出了一个基于两级分层变形的自适应人体姿态转移网络,使用门控卷积动态选择图像的重要特征并逐层自适应变形,通过更少的参数快速收敛并在服装纹理转移等任务中获得更好的性能。
Dec, 2020
本文提出了一种名为 3DHumanGAN 的生成对抗网络(GAN),用于合成全身人体的图像,具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构,能够生成具有 3D 人体先验知识和一致性的逼真图像,并通过对抗学习从网络图片中学习而来。
Dec, 2022