利用生成对抗网络的图像外延和融合
通过深度学习的方式,利用基于 DCGAN 架构的图像分割技术及本地鉴别器提升图像边界的质量,从而实现图片的画外部分(extrapolation),其结果表明利用深度学习方法进行画外部分的研究既可行又具有前景。
Aug, 2018
本研究提出了一种基于生成式对抗网络的图像拓展方法,通过对多个潜在编码的生成进行条件渲染,实现了对图像的多样化拓展,并可对分类输入进行拓展,其拓展区域结构和内容更加丰富,表现出更高的视觉质量和多样性。
Apr, 2021
本文提出了一种基于生成对抗网络(GAN)框架的图像修复方法,该方法利用全局 GAN(G-GAN)架构和 PatchGAN 方法结合进行鉴别器网络的构建,可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现,与最新的现有技术相比,该框架在视觉和数量评估方面均取得了显著的改进。
Mar, 2018
本文提出了一种利用扩张卷积密集组合,通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明,该方法在多个公共数据集上都优于现有的最先进方法。
Feb, 2020
本论文介绍了一种基于对抗损失的图像修复半监督学习方法,通过生成器填充图像中的孔洞,再用鉴别器判断图像的真实性,以实现对鉴别器的有监督训练,并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。
Nov, 2016
本文提出一种基于 Exemplar GANs 的新型修复方法,可以利用样本信息,生成高质量、个性化的修复结果,并且在多个点插入其它信息以增加描述能力,将此方法应用于天然图片中的眼睛修复任务,并开发了新的数据集进行比较。
Dec, 2017
我们提出了一种新颖的基于示例引导的面部修复框架 EXE-GAN,它利用生成对抗网络来维护原始面部图像的质量,并通过同步使用输入图像的全局风格,随机潜在编码产生的随机风格和范例图像的示例风格来完整图像的典型面部属性。为了保证修复区域的自然过渡,我们介绍了一种新颖的空间变量梯度反向传播技术,通过基于空间位置调整损失梯度来实现。在公共 CelebA-HQ 和 FFHQ 数据集上的广泛评估和实际应用验证了 EXE-GAN 在面部修复的视觉质量方面的优越性。
Feb, 2022
本文针对图像修复中存在的细节缺失问题,提出了一种基于两阶段对抗模型 EdgeConnect 的图像修复方法,包括边缘生成器和图像完成网络,通过生成缺失区域的边缘信息并使用其作为先验来填补缺失区域,实验表明该方法在公开数据集 CelebA、Places2 和 Paris StreetView 上具有优异表现。
Jan, 2019
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