用于加速 StyleGAN 嵌入的协作学习
本研究提出了一种基于 StyleGAN 的图像嵌入算法,通过引入新的标准化空间来分析重建潜码的多样性和质量,使用基于分析结果的正则化方法来提高嵌入算法的性能,实现了重建质量与编辑质量的更好平衡。
Dec, 2020
我们提出了一种高效的图像嵌入算法,通过将图像嵌入 StyleGAN 的潜在空间,实现了可以应用于现有照片的语义图像编辑操作,从而得出了关于探究 StyleGAN 潜在空间结构的有价值洞见,并提出一系列实验来测试嵌入哪些图像类别、如何嵌入、哪些潜在空间适合嵌入以及嵌入是否具有语义意义。
Apr, 2019
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
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
本文介绍了 GANs 和 StyleGAN,讨论了其在图像合成和潜在空间方面的应用和研究趋势,强调了其生成图像编码的潜力和限制,以及视觉先验的构建和使用,同时指出了任务和目标特定的研究方向。
Feb, 2022
本文提出了一个名为 InterFaceGAN 的新框架,用于解释 GAN 学习到的语义面部编辑,并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现,精心训练的生成模型的潜在编码实际上学习了一个分离的表示,在线性变换后解旋,通过子空间投影来解开某些绑定属性,实现更精确的面部特征控制,并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。
Jul, 2019
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。
Jun, 2019
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
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