Apr, 2019

STGAN: 一个统一的选择性转换网络，用于任意图像属性编辑

PDF
TL;DR通过将选择性转移单元与编码器 - 解码器网络和生成对抗网络相结合，本文提出了一种属性编辑模型，可以有效地提高感知质量和属性操纵准确性。
attribute editingencoder-decoder networksgenerative adversarial networksselective transferperception quality
发现论文，激发创造
  • AttGAN: 仅修改您想修改的部分的面部属性编辑

    本研究旨在改变面部图像的一个或多个属性，并保持其他细节，使用生成敌对网络（GAN）和编码器 - 解码器架构来确保高质量的面部特征编辑。

    Nov, 2017

  • 面部属性操作的稀疏分组多任务生成对抗网络

    提出了一种分组生成对抗网络 (SG-GAN) 的方法，可在少量标记数据的情况下识别图像并进行多任务学习，通过实验验证在面部图像处理方面的优越性能。

    May, 2018

  • MulGAN：基于样例的人脸属性编辑

    本文中提出的基于属性标签限制的模型，可以通过在预定义的潜在特征空间中直接应用属性标签并使用属性分类损失，从图像中提取属性相关信息，以实现用于编辑多个属性的面部属性传输，同时通过设计新的模型结构来提高属性传输能力。在 CelebA 数据集上的实验结果表明，该方法有效地克服了其他方法存在的三个限制。

    Dec, 2019

  • PA-GAN: 面部属性编辑的渐进式注意力生成对抗网络

    本文提出了一种基于渐进式注意力 GAN 的人脸属性编辑方法，通过每个级别的注意力掩模约束在适当的属性区域内，从高到低的特征级别逐步进行编辑，以维护身份和背景等其他信息，并避免不必要的修改干扰，使该方法实现了正确的人脸属性编辑，并更好地保留了不相关的细节信息。

    Jul, 2020

  • StyleGAN 中用于细粒度图像操纵的特定属性控制单元

    本研究提出了使用属性特定的控制单元来处理精细化的 StyleGAN 图像操作的方法，并针对人脸属性操作等任务进行了实证研究，结果表明该方法在实现精细操作方面表现出色。

    Nov, 2021

  • FoolSDEdit：将您的编辑巧妙地引导至目标属性感知分布

    通过引入对抗噪声来执行有针对性的属性生成对 SDEdit 的有效攻击，同时利用属性感知型目标函数和优化对输入笔触绘画添加的对抗噪声。

    Feb, 2024

  • 可靠的少样本图像生成的属性组编辑

    本研究提出了一种新的基于属性组编辑方法的少样本图像生成技术，通过对属性进行编辑，该方法可以生成更为逼真和多样的图像，并具有可解释的全局属性方向性。

    Mar, 2022

  • 通过潜空间导航的可控 GAN 用于图像编辑

    本研究提出了一种新的控制图像属性的编辑方法，通过学习多种属性变换和应用内容损失和对抗损失来实现单一和多属性的编辑，并保留图像身份和真实感。此外，提出了客观评价标准以衡量模型性能，结果表明该模型在目标图像操作方面达到了最先进水平。

    Feb, 2021

  • 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

  • 利用生成对抗网络进行服装设计

    本文探讨了生成对抗网络的应用在时尚设计上的可能性。实验表明，基于属性的 GAN（AttGAN）可以成功编辑时装的视觉特性，但也提示着 GAN 在设计概念的属性级别编辑上所存在的一些关键限制和未来需要解决的研究问题。

    Jul, 2020