自动字体生成的金字塔嵌入式生成对抗网络
本文提出了一种基于深度神经网络的模型,将标准字体图像直接生成书法风格的图像,并构建了包含各种书法风格的大规模基准数据集。实验结果表明,该方法的效果优于其它基线方法。
Jun, 2017
本研究提出了一种基于深度生成对抗网络的自动书法生成模型,能够生成具有专业水准的风格书法字体。该模型使用高精度书法合成方法构建数据集,邀请专业书法家进行图灵测试以评估模型生成结果与人类艺术水平之间的差距,实验结果表明该模型是目前书法生成方法中的最佳效果。
Dec, 2023
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
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
该研究提出了一种基于生成对抗网络的系统,可以合成手写单词的合成图像,并在将其与现有训练数据集集成后通过改进通用 GAN 体系结构进行离线手写文本识别。
Mar, 2019
本文提出了一种名为 EL-GAN 的基于生成对抗网络的语义分割框架,通过嵌入损失降低了后处理的复杂度和提高了训练稳定性,应用于 TuSimple 车道线数据集上,效果优于传统方法并达到 96% 以上的准确率。
Jun, 2018
该研究论文提出了一种名为 DF-GAN 的新型深度融合生成对抗网络,用于更加高效地合成与文本相匹配的高质量真实图片,并在广泛使用的数据集上取得更好的性能。
Aug, 2020
本文提出了一种名为 TESGAN 的框架,使用连续文本嵌入空间而非离散标记以解决梯度反向传播的问题,通过无监督学习来克服数据记忆问题,从而能够合成具有潜力的新句子。
Jun, 2023