generative adversarial networks (GANs) are shown to be successful at
generating new and realistic samples including 3D object models. Conditional
GAN, a variant of GANs, allows generating samples in given conditions. However,
objects generated for each condition are different and it do
本文提出了一种新颖的框架,即 3D 生成对抗网络(3D-GAN),通过利用体积卷积网络和生成对抗网络的最新进展,从概率空间生成 3D 对象,并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点,在 3D 对象生成及识别等方面取得了令人印象深刻的性能。
本文提出了一种新颖的端到端 3D 感知图像生成和编辑模型,通过纯噪声、文本和参考图像等多种条件输入,在 3D 生成对抗网络(GANs)的潜在空间中深入研究并提出解缠特性较好的生成策略,同时采用统一框架进行灵活的图像生成和编辑任务,实现多模态条件下的多样图像生成、属性编辑和风格迁移。广泛实验证明,该方法在图像生成和编辑方面在质量和数量上均优于替代方法。