编辑风格:揭示 GAN 的本地语义
通过训练一个生成器来分别对局部语义部分进行建模,控制不同区域的纹理并且实现更加细粒度的合成和编辑,SemanticStyleGAN 作为具有内置解缠结的通用先验模型,可以促进基于 GAN 的应用程序的发展并实现更多的下游任务。
Dec, 2021
本研究探索了利用预训练的基于样式生成器的 “样式空间” 控制本地翻译的可能性。提出了一种名为 “Style Intervention” 的轻量级优化算法,用于在高分辨率图像上进行面部属性编辑,证明了其在视觉和定量结果上的有效性,表现优于现有的基准。
Nov, 2020
本文通过使用由 GANs 学习得到的图像先验知识与个体图像的图像统计特征相结合,解决了对已有自然照片的高级属性进行操控的问题,提出了一种准确重构并合成新内容且能够保持输入图像特征的交互式系统,并在多个语义图像编辑任务上展示了方法的有效性。
May, 2020
提出一种新的方法 EditGAN,通过修改高分辨率部分分割掩码来实现高质量、高精度的语义图像编辑,同时利用生成对抗网络和条件潜空间优化来实现编辑。
Nov, 2021
本文提出一种能够支持 GAN 生成图像的局部编辑的有效方法,称为 LoGAN,利用内容调制,风格调制与优先级掩码来精确控制生成特征,在卧室合成等实验中展示了局部编辑图像的巨大潜力,可为多功能图像编辑提供模板。
May, 2021
本文研究如何扩展 GAN 模型可达到的视觉效果,通过在生成器参数空间中探索方向,发现了许多可解释性方向,这是非常重要的,因为这些方向可以用于语义操作,这些操作无法通过转换潜在的向量代码实现。
Nov, 2020
通过在中间的潜空间使用具有空间维度的调制替换 AdaIN,我们提出了 StyleMapGAN,它使得通过编码器的嵌入比现有基于优化方法更加准确,同时保持 GAN 的属性。实验结果表明,我们的方法在各种图像操作任务中显著优于最先进的模型。
Apr, 2021
本文提出一种简单而有效的方法来实现一致性视频编辑,通过优化潜在编码和预先训练的生成器,减少时间光度不一致,并在不同领域和 GAN 逆推技术上得到了有利的结果。
Jun, 2022
本文提出了一种对物体进行语义操纵的新的生成对抗网络方法,使用对比对抗目标而不是直接将合成样本接近目标数据,以生成具有高可视度和合理的对象语义的操作结果,并在多个语义操作任务上展示了我们的模型的优越性。
Aug, 2017