Apr, 2019

TileGAN：大规模非均质纹理的合成

PDF
TL;DR在输入多张图像且需要大规模输出的纹理合成问题中，本文基于生成对抗网络提出两个扩展解决方案，一是结合较小分辨率的 GAN 训练产生边界无明显痕迹的大规模纹理地图，二是提供用户界面进行艺术控制，我们的定量和定性结果展示了合成高分辨率地图的成功案例。
texture synthesisgenerative adversarial networksalgorithmresolutionuser interface
发现论文，激发创造
  • 空间生成对抗网络纹理合成

    本文介绍了一种基于生成对抗网络的新型纹理合成模型，即空间 GAN（SGAN），其通过将输入噪声分布空间从单一向量延展至整个空间张量，实现了高品质、高可扩展性和快速实时正向生成等特点，并能够将多个不同类别的源图像融合到复杂的纹理中。同时，本文还讨论了该方法的一些局限性，并将其与其他神经纹理生成技术进行了比较。

    Nov, 2016

  • StyleGAN-T: 用于快速大规模文本到图像合成的 GAN 强化技术

    该论文旨在使用生成对抗网络改进大规模文本到图像合成，提出了 StyleGAN-T 模型，它在大规模文本到图像合成中具有大容量、稳定的训练、强文本对齐和可控变化与文本对齐平衡等特点，并在样本质量和速度方面显著优于以前的生成对抗网络和蒸馏扩散模型。

    Jan, 2023

  • 对抗扩张驱动的非稳态纹理合成

    本文介绍了一种基于生成对抗网络的例子合成方法，用于处理包括空间非同变、不均质等非稳态纹理，实现了大尺度结构的捕捉，其简单的概念性方法极有效，成为解决有挑战性的纹理的无其他现有方法可处理。

    May, 2018

  • 生成对抗文本到图像的合成

    利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

    May, 2016

  • 纹理网络：纹理和风格化图像的前馈合成

    本文提出一种利用深度学习的方式，通过在训练阶段来移动计算负担，使用单个纹理样本训练紧凑的前馈卷积网络，可以生成任意大小的同一纹理的多个样本，并将艺术风格从给定图像传输到任何其他图像中，生成的网络轻巧，并且可以比 Gatys 等人的方法快数百倍。

    Mar, 2016

  • TextureGAN：使用纹理贴片控制深度图像合成

    本文介绍了一种通过草图、颜色和纹理生成深层次图像的方法。通过引入纹理控制来实现用户对输出纹理的控制，我们的生成网络可以学习到如何根据用户的纹理想法生成与之一致的对象，并且在实验中得到了验证。

    Jun, 2017

  • 对抗性文本到图像合成：综述

    该论文综述了生成对抗网络在文本到图像合成方面的发展以及面临的挑战，提出了一些研究方向，包括评估指标、数据集和模型架构设计等方面的改进。

    Jan, 2021

  • 非平稳多纹理合成的单域学习

    本文提出了一种新型任务：非平稳多纹理合成，通过使用多尺度生成器以及分类特定的训练策略，可以在一个模型中合成多个非平稳纹理，实现纹理扩展和全局结构一致性，并获得更出色的性能和时间效率。

    May, 2023

  • GramGAN: 基于深度学习的从 2D 样例生成 3D 纹理

    本文提出了一种新颖的纹理合成框架，可以根据 2D 示例图像生成无限高质量的 3D 纹理，通过训练深度神经网络模型进行纹理生成，其中采用了结合样式迁移和生成对抗网络思想的新型损失函数，将分析网络深度特征的 Gram 矩阵与合成网络匹配，同时还提出了两种架构概念和外推策略以提高泛化性能，并通过定量和定性评估以及用户研究证实了其胜于先前最先进模型的性能。

    Jun, 2020

  • 文本到图像合成的 GAN 扩展

    本文提出了一种新的 GAN 架构 GigaGAN，用于文本到图像合成，并比较了其与传统的 GANs 和 DALL-E2 的性能，结果表明 GigaGAN 可以快速且高质量地合成高分辨率图像。

    Mar, 2023