Dec, 2018

InGAN: 捕捉和重新映射自然图像的 “DNA

PDF
TL;DR本文提出了一种基于单张输入图片进行训练，学习其内部 patch distribution 的 Internal GAN 模型，通过 InGAN 生成大量不同大小、形状和长宽比的新自然图像，其内部 patch distribution 与输入图像保持一致，并能在保留本地大小形状的前提下，自动调整图像大小和形状。InGAN 模型基于无监督学习，只需要输入图像本身即可进行训练，提供了一种统一的纹理和自然图像的任务框架。
发现论文，激发创造
  • SinGAN：从单张自然图像学习生成模型

    SinGAN 是一种无条件生成模型，可以从单个自然图像中进行学习，并且可以用于多种图像操作任务。其包含一系列基于全卷积神经网络的生成器，可以学习图像的不同尺度上的内部数据分布，并生成具有相同视觉内容的高质量、多样化的样本。用户研究表明，生成的样本往往被误认为是真实图像。

    May, 2019

  • 基于生成对抗网络的基于补丁的图像修复

    本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局 GAN（G-GAN）架构和 PatchGAN 方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

    Mar, 2018

  • InfinityGAN：无限像素图像合成

    我们提出了一种新颖的框架 InfinityGAN，用于与任意大小的图像生成相关的任务，它在资源和真实性方面具有优越性能，并可应用于空间风格融合、多模式外油漆和图像中间。

    Apr, 2021

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017

  • 基于注意力引导的生成对抗网络的无监督图像转换

    本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

    Mar, 2019

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 图像细粒度修复

    本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

    Feb, 2020

  • EGAIN: 扩展的 GAN 逆向

    基于 EGAIN 架构的 GAN 逆向模型能够重构出真实面部图像的语义结构，具有优于现有模型的重建质量。

    Dec, 2023

  • GAGAN: 几何感知生成对抗网络

    该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

    Dec, 2017

  • AGAN: 自动设计生成对抗网络

    本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明，该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下，该算法自动搜索的网络结构的表现也能够胜任监督学习任务，并且在其它图像生成任务中可进行迁移学习。

    Jun, 2019