Mar, 2019

高分辨率图像合成基于自动嵌入生成对抗网络

PDF
TL;DR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。
发现论文，激发创造
  • Pioneer Networks：逐步增长的生成自编码器

    提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

    Jul, 2018

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020

  • 使用生成对抗网络创建百万像素大小的图像

    本研究介绍一种基于深度卷积生成对抗网络的图像生成方法，能够使用少于两千张图像实现高分辨率（最大 1024x1024 像素）的真实感图像生成，未来可应用于计算机图形学和视觉效果。

    May, 2017

  • 基于有条件的 GAN 的高分辨率图像合成和语义操作

    使用条件生成对抗网络（conditional GANs）从语义标签图中合成高分辨率照片般真实的图像，并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构，生成 2048x1024 的视觉吸引力结果。此外，我们将我们的框架扩展到与两个额外功能的交互式视觉操作，它们是：将对象实例分割信息整合进去以进行对象操作（如删除 / 添加对象和更改对象类别），以及提出一种方法，可以在给定相同输入的情况下，生成不同的结果，允许用户交互式地编辑对象外观。人的意见研究表明，我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。

    Nov, 2017

  • 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

  • EL-GAN: 以嵌入损失为驱动的生成对抗网络用于车道检测

    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

  • 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

  • 高分辨率图像合成的加速框架

    本文提出了一种两阶段的框架，用于加速合成高分辩率图像的训练过程，其通过已训练好的编码器和解码器网络将高分辨率图像变换为小编码，并通过训练一种编码生成网络学习潜在编码的分布，生成器只学习生成小的潜在编码，最后通过解码器网络将生成的潜在编码转化为图像空间，提高了合成样本的质量，并在可用硬件资源的限制下大幅缩短了训练时间。

    Sep, 2019

  • 使用生成对抗网络生成无监督文本嵌入空间以进行文本合成

    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

  • 基于能量的生成对抗网络

    介绍了一种名为 “能量基生成对抗网络”（EBGAN）的模型，将判别器视为能量函数，用于选定数据流形附近区域的低能量和其他区域的高能量，可以使用多种体系结构和损失函数，本文采用自编码器架构，以重构误差作为能量，实现了高分辨率图像的生成。

    Sep, 2016