本文介绍了 AutoToon,第一个通过深度学习提供高质量脸部变形的方法,这是卡通画的关键部分。与之前的方法不同,AutoToon 利用 SENet 和空间变换模块,直接在艺术家变形场上训练,通过前后损失来增强差异特征并保留面部细节。
Apr, 2020
本文提出了第一个基于生成对抗网络的 CariGANs 来进行非成对的照片到漫画的转换,它明确地模拟了几何夸张和外观风格化,并将难以跨领域转换问题分解为两个更容易的任务,最终经过感性研究证明 CariGANs 所生成的漫画与手绘漫画更接近,并更好地保留了身份,同时允许用户通过调整参数或提供样例来控制形状夸张程度和更改颜色 / 纹理风格。
Nov, 2018
通过 StyleGAN,我们提出了一个基于形状和风格调整的讽刺画生成框架,名为 StyleCariGAN,它可以从输入照片自动生成真实而详细的讽刺画,并支持形状夸张度和颜色风格化类型的可选控制。我们的关键方法是形状夸张模块,它用于调制 StyleGAN 的粗糙层特征图以产生所需的讽刺画形状夸张。我们的实验结果表明,相比当前最先进的方法,StyleCariGAN 生成的讽刺画更加真实和详细,并且还支持其他基于 StyleGAN 的图像操作,如面部表情控制。
Jul, 2021
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
本文提出了一种新的自动绘画模型,用于解决黑白素描自动上色问题,实验结果表明自动绘画模型的性能优于现有的图像合成方法。
May, 2017
本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法,强调在改变面部属性的同时,保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法,通过现有的面部识别和年龄估计解决方案,对所得到的老化和回复面部图像进行客观评价,证明了所提方法的高潜力。
Feb, 2017
该研究报告介绍了一种基于 GAN 的架构 DwNet,利用密集的姿态引导表示和改进的过程,将源图像中所需的主体外观,以纹理的形式,从一种姿势变换成所需的姿势,进而生成具有时序一致性的高分辨率人像视频,并在两个基准数据集上展现出先进的性能表现
Oct, 2019
本文提出了一个有效和高效的三维点云生成网络 ——WarpingGAN,通过学习统一的局部变形函数将多个相同的预定义先验变形成驱动局部结构意识语义的三维形状,从而在一次训练后以单个轻量级网络的形式高效地生成具有各种分辨率的均匀分布的三维点云。
Mar, 2022
本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部,该方法可用于本地面部编辑、面部合成和交换,同时提供了数据增强的选项以加强面部分析的性能。
May, 2019
本文提出了一种基于新开发的三维生成对抗网络(GANs)的画像图像动画的技术,该技术允许对图像主体的姿态进行明确控制,并展示了该方法在图像质量,身份保护和姿态转移等方面胜过先前的方法,同时支持属性修改。