ICMLOct, 2018

使用基于生成对抗神经网络的颜色条件生成标志

PDF
TL;DR本研究使用条件生成对抗网络生成了基于 12 种不同颜色条件的标志，在 768 个生成的实例中，条件生成部分的精确度和召回率分别为 0.8 和 0.7，这为人工智能能够协助设计师的创作过程以及未来更多方向的研究提供了前瞻性的方向。
logo designgenerative algorithmsconditional generative adversarial networksartificial intelligencedesign assistance
发现论文，激发创造
  • LoGANv2：基于条件风格的商标生成

    本文探讨了一种对 StyleGAN 体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。

    Sep, 2019

  • 基于聚类生成对抗网络的 Logo 合成与操作

    本文探讨机器学习在设计商标方面的创造性任务中的应用，利用聚类获得的合成标签，对多模态数据的 GAN 训练进行稳定，并展示潜在空间探索技术，以交互方式简化商标设计任务。

    Dec, 2017

  • 基于结构和颜色条件的对抗着色图标生成

    该研究提出了一种使用基于条件生成对抗网络的图标设计系统，可帮助设计师更轻松地完成图标的着色任务，并且实现了较高质量的着色效果。

    Oct, 2019

  • 通过生成对抗网络实现无监督多样化着色

    本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

    Feb, 2017

  • ChromaGAN: 对抗性图片着色与语义类别分布

    本文提出了一种基于对抗学习和语义信息的图像上色方法，该方法使用生成网络来推断给定灰度图像的色度，模型通过全自监督策略进行训练并通过定量和定性实验展示出其失真度更高的优点。

    Jul, 2019

  • 生成对抗网络的 Stein 潜变量优化

    本文介绍了一种命名为 SLOGAN 的新方法，通过引入编码网络和无监督条件对比损失来确保单个混合分量生成的数据代表单个属性，成功地学习了平衡或不平衡的属性，并在缺少属性信息（例如不平衡比）的情况下实现最新的无监督条件生成性能。

    Jun, 2021

  • 利用生成对抗网络在本地控制图像生成来装饰你自己的卧室

    本文提出一种能够支持 GAN 生成图像的局部编辑的有效方法，称为 LoGAN，利用内容调制，风格调制与优先级掩码来精确控制生成特征，在卧室合成等实验中展示了局部编辑图像的巨大潜力，可为多功能图像编辑提供模板。

    May, 2021

  • 条件生成对抗网络

    本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

    Nov, 2014

  • 带有条件对抗网络的用户指导下深度动漫线条着色

    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

  • LogiGAN: 基于对抗预训练的逻辑推理学习

    LogiGAN 是一种无监督的、改进语言模型逻辑推理能力的对抗预训练框架，采用检测启发式方法自动识别大规模文本语料库中的逻辑推理现象，并通过敌对的生成 - 验证者架构来模拟学习思考过程的促进作用。实验表明，采用 LogiGAN 预训练后的语言模型在需要普遍推理能力的 12 个数据集上表现明显优于基线，揭示了逻辑在广泛推理中的基础作用以及 LogiGAN 的有效性。

    May, 2022