Apr, 2019

Gated-GAN：用于多集合风格转移的对抗门控网络

PDF
TL;DR本文提出了一种名为 Gated GAN 的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。
发现论文，激发创造
  • 基于多领域艺术图像的任意风格转移学习

    我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

    May, 2018

  • 通过生成对抗网络实现风格分离和合成

    本文提出了一种新的深度学习网络 S3-GAN，可以同时实现特定类别物体照片的风格分离和风格合成。该网络结构包括编码器网络、生成器网络和对抗网络，基于前提假设物体照片在流形上，内容和风格是相互独立的，并通过编码器网络实现风格分离，生成器网络实现风格合成，对抗网络生成更加逼真的图像。实验表明，S3-GAN 可以在单个模型中同时捕捉各种风格，具备一定的风格分离和合成能力。

    Nov, 2018

  • 基于风格的生成对抗网络生成器架构

    本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

    Dec, 2018

  • 通用单次域自适应生成对抗网络

    本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

    Sep, 2022

  • 风格转移生成对抗网络：不同的学习国际象棋方式

    本论文提出了一个使用生成对抗网络的鉴别器来调整生成器与原有的分离的损失函数，从而推广风格迁移的概念作为棋类游戏学习的方法，并以具体玩家为风格，给出了实证研究。

    Feb, 2017

  • XGAN: 无监督的多对多图像翻译

    本文提出了一种名为 XGAN 的双对抗自编码器，可以无监督地捕捉共同的领域语义内容，同时在两个方向上学习域与域之间的图像转换，并通过语义一致性损失函数来实现语义保留，并以公开数据集 CartoonSet 为基准来证明该方法的有效性。

    Nov, 2017

  • 生成对抗网络中的风格与内容分离

    该研究提出了一种新的无监督算法 ——Style and Content Disentangled GAN（SC-GAN），该算法可以让训练的生成敌对网络（GAN）以一种分离风格和内容的方式学习数据的表征。

    Nov, 2018

  • 风格化投影 GAN：一种快速且逼真的图像生成新结构

    利用转移学习将生成和真实样本投影到预训练的特征空间中，提出了优化后的结构化投影生成式对抗网络 Stylized Projected GANs，用于解决生成图像中出现的问题。

    Jul, 2023

  • 使用多条件 StyleGAN 生成艺术创作

    本文介绍了一种基于生成对抗网络的多条件控制方法，通过对大量人类绘画进行训练，生成模拟人类艺术的逼真画作，提供了对生成画作的特征进行精细控制，针对多条件生成，引入了条件截断技巧，并使用一系列评估技术对生成结果进行定量分析。

    Feb, 2022

  • 从 A 到 Z: 深度神经网络生成器的监督式风格和内容转移

    提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。

    Mar, 2016