Mar, 2019

高分辨率图像合成基于自动嵌入生成对抗网络

HTML
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
  • 条件图像合成与辅助分类器 GANs

    本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

    Oct, 2016

  • 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

  • StackGAN++：堆叠生成对抗网络实现逼真图像合成

    本文提出了堆叠式生成式对抗网络(Stackgan)，该网络采用两个阶段和多个生成器和判别器构成的树状结构，用于高分辨率、逼真的图像生成。经过大量实验验证，该网络在生成逼真图像方面表现优于其他方法。

    Oct, 2017

  • 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

  • ESRGAN：增强型超分辨率生成对抗网络

    该研究通过提出ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

    Sep, 2018

  • 大规模 GAN 训练的高保真自然图像合成

    本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法，并提出了一种截断技巧来控制生成器输入方差，从而在生成高保真度和多样化样本方面实现平衡。该方法应用于ImageNet数据集上，在128x128分辨率下，IS（Inception Score）为166.5，FID（Frechet Inception Distance）为7.4，表现超过之前的方法。

    Sep, 2018

  • ESRGAN+：改进的增强超分辨率生成对抗网络

    该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型，采用感知驱动的方式进行单幅图像超分辨率处理，引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。

    Jan, 2020

  • 生成对抗网络用于图像和视频合成：算法和应用

    本文文献是关于生成对抗网络（GAN）框架及其在视觉合成领域的应用和算法进行概述，包括图像翻译、处理、合成高分辨率照片等，并讨论其在内容创作中的应用。

    Aug, 2020

  • 使用对抗网络进行图像合成：一份综述和案例研究

    综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

    Dec, 2020

  • 使用Transformer进行高分辨率复杂场景合成

    该论文介绍了一种基于深生成模型的图像合成方法，通过压缩和离散表示学习高频细节和纹理信息，再结合自回归转换模型生成高质量的图像。

    May, 2021