Despite the success of generative adversarial networks (GANs) in image
synthesis, applying trained GAN models to real image processing remains
challenging. Previous methods typically invert a target image back to
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。
本文介绍了一种有效利用生成对抗网络 (DGP) 捕获的图像先验的方法,它可以恢复各种退化图像中缺失的语义信息,还可以进行多样化的图像操作,通过松弛现有的 GAN 反演方法的假设,允许生成器以渐进的方式进行微调,并在 GAN 中的鉴别器处获得的特征距离作为正则项。这些易于实现和实用的改变有助于保持重构,使其保持在自然图像流形中,从而可以更准确、更忠实地重构真实图像。