我们提出了一种新颖的框架 InfinityGAN,用于与任意大小的图像生成相关的任务,它在资源和真实性方面具有优越性能,并可应用于空间风格融合、多模式外油漆和图像中间。
Apr, 2021
本文介绍了一种基于生成对抗网络的新型纹理合成模型,即空间 GAN(SGAN),其通过将输入噪声分布空间从单一向量延展至整个空间张量,实现了高品质、高可扩展性和快速实时正向生成等特点,并能够将多个不同类别的源图像融合到复杂的纹理中。同时,本文还讨论了该方法的一些局限性,并将其与其他神经纹理生成技术进行了比较。
Nov, 2016
证明具有 2 层无限宽度生成器和 2 层有限宽度鉴别器的 GAN,通过随机梯度上升下降进行培训时,不存在虚假稳定点;同时证明当生成器的宽度有限但宽时,在无限宽度的情况下包含一个球,在球的半径趋于无穷大时覆盖整个参数空间,不存在伪稳态点。
Feb, 2021
本文中介绍了一种基于多维 LSTM 的递归图像模型,该模型可以捕获长距离像素之间的统计依赖,适用于纹理合成和补全等多项任务,并在多个图像数据集上的定量比较中表现优异。
Jun, 2015
本文提出了一种新的方法,通过找到生成模型中有意义的方向来提高生成模型潜在空间的可解释性,从而精确地控制生成图像的特定属性,如位置或比例。该方法对于搜索编码生成图像的简单变换方向(如平移,缩放或颜色变化)特别适用,并在 GAN 和变分自动编码器模型的质量和量化方面得到了证明。
Jan, 2020
本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络,不需要被鉴别器或编码器优化,并且具有类似 GAN 或 VAE 的属性。
May, 2018
研究表明,无限贝叶斯神经网络缺乏表征或等效核学习能力,从而导致性能变差,而有一种新型无限网络,即瓶颈无限网络,可同时继承无限网络的理论可行性和表征学习能力。
Oct, 2019
本文介绍了一种使用基于生成对抗网络(GANs)的逐片段范例生成无限分辨率纹理图像的新方法。该方法通过在一个纹理图像上训练 GAN 模型,生成相对较小但局部相关且可无缝拼接成更大图像的纹理片段,并具有可扩展性、一致性和多样性。实验结果表明,相比于现有方法,该方法具有更好的可扩展性和视觉一致性。
Sep, 2023
本研究提出了一种新的生成模型架构,可以更好地解决深度生成模型中潜在空间中的非线性扭曲问题,并提高了概率分布、采样算法和聚类效果。
Oct, 2017
本文研究生成对抗网络(GANs)中的潜在空间与三维对象的关系,探讨了几种 GAN 的变体和训练方法,旨在提高 3D GAN 的训练效果,同时提出了未来研究的方向。
Apr, 2023