Jun, 2019

图像增强和动画的样式生成器反演

PDF
TL;DR本文探究了用生成式对抗网络 GANs 的最新进展，发现最近提出的 style-generators 可以被用作通用图像先验，其具有线性特性和可逆性，且在图像增强任务方面优于其他 GANs 和 Deep Image Prior。
发现论文，激发创造
  • 为 StyleGAN 图像操作设计编码器

    本文研究 StyleGAN 的潜在空间，提出了两个设计编码器的原则，以平衡畸变 - 可操作性和畸变 - 知觉的权衡，从而为真实图片的编辑提供了更好的方法。

    Feb, 2021

  • 超参数化改进 StyleGAN 逆转

    本文提出了一种通过对 StyleGAN 模型的先验空间进行过度参数化以增加模型自由度，从而实现更好的图像重建和编辑能力的方法。

    May, 2022

  • HyperStyle: 采用 HyperNetworks 实现的 StyleGAN 反演技术用于真实图像编辑

    本文提出了 HyperStyle 方法，它利用 hypernetwork 对 StyleGAN 网络进行加权调整，从而可以将一幅图像忠实地表达为 latent space 中可调整的部分，使得该方法可以用于实现像素到像素的图像编辑工作，并且在编辑出不同于训练过的图像时，也能取得较好的效果。

    Nov, 2021

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • GAN 反向传播：一项调查

    本文综述了 GAN 反演技术及其最近的算法和应用，尤其是其在图像编辑和修复方面的应用，探讨了 GAN 潜在空间的解释和现实图像生成的趋势和挑战。

    Jan, 2021

  • StyleGAN 诱导的数据驱动正则化用于反问题

    通过使用预训练的 StyleGAN2 生成器构建先验分布，将学习的贝叶斯重建与生成模型相结合，实现了对图像修复和超分辨率重建问题的解决，与现有 GAN 图像重建方法相比表现更好。

    Oct, 2021

  • HyperInverter: 通过超网络改进 StyleGAN 逆向

    本研究提供了一种基于编码器和超网络的方法以实现高重构质量、可编辑性和快速推理的 GAN 反演，并在两个具有挑战性的数据集上进行了广泛的实验以证明其优越性。

    Dec, 2021

  • GAN 反演的多样修复和编辑

    利用样式生成对抗网络（StyleGAN）的潜在空间，将真实图像反转并通过语义丰富的特征表示进行多项编辑，进一步扩展到将被擦除的图像反转到 GAN 的潜在空间中进行逼真修复和编辑的更为困难的任务，通过将反转的潜在编码与随机样本的 StyleGAN 映射特征组合，通过训练编码器和混合网络，利用生成的数据来鼓励混合网络同时利用两个输入，并利用高速特征来防止修复部分与未被擦除部分的颜色不一致，并通过与先进的反转和修复方法进行实验和对比，定量指标和视觉比较显示出显著的改进。

    Jul, 2023

  • StyleInV: 无条件视频生成的时态风格调制反演网络

    我们介绍了一种新颖的基于学习的倒置网络的运动生成器设计，通过将边缘图像编码为潜在变量，再通过指导初始帧的倒置编码器，使我们的方法能够生成平滑的未来潜在变量，从而实现了生成长时间和高分辨率视频的优势。

    Aug, 2023

  • StylePrompter：所有风格需要的只是注意力

    对给定图像进行 GAN 反演，将其转化为相应的潜在代码，尤其是针对具有解耦潜在空间的 StyleGAN，从而实现基于属性的图像操作。

    Jul, 2023