Aug, 2020

基于二分图推理的GANs用于人物图像生成

HTML
PDF
TL;DR本文提出了一种新型的双分图推理生成对抗网络（BiGraphGAN），用于生成具有挑战性的人物图像。该方法的关键是使用两个创新块来建立人物姿态之间的关联，分别是对姿态关系和对图像关系进行建模。实验证明，BiGraphGAN 在两个具有挑战性的公共数据集 Market-1501 和 DeepFashion 上均表现出了很好的效果。
发现论文，激发创造
  • 基于条件CycleGAN的属性引导人脸生成

    本文提出了基于属性的条件生成对抗网络（CycleGAN）来生成高分辨率的面部图像，并可以通过输入属性轻松控制所生成的面部外貌。我们还演示了基于该模型的三种应用：身份保留的人脸超分辨率、人脸交换和正面人脸生成，这些应用表明了我们新方法的优势。

    May, 2017

  • PCGAN：分区控制的人类图像生成

    用Partition-Controlled GAN生成符合目标姿势和背景的人类图像，模型通过提取和融合外观特征、姿势特征和背景特征来生成期望的图像，实验表明该方法不仅可以生成逼真的人类图像，还能符合预期的人体姿势和背景。

    Nov, 2018

  • Cascade-BGNN：面向大规模双分图的有效自监督表示学习

    本研究提出了Cascade Bipartite Graph Neural Networks——一种新颖的自监督节点表示学习方法，该方法可以有效地和高效地在独特的双边图结构中聚合信息，并经过多个数据集的实验验证其高效性和实用性。

    Jun, 2019

  • 基于标志物辅助的CycleGAN卡通人脸生成

    使用未成对的训练数据和特征点辅助的 CycleGAN，我们能够高质量地生成漫画面孔，这些面孔几乎无法与艺术家绘制的面孔区分，这种方法建立在面部结构的一致性基础上。

    Jul, 2019

  • InterFaceGAN：解读GAN学习的分解人脸表示

    本文介绍了一种名为InterFaceGAN的框架，通过解析状态最先进的GAN模型学习的分离面部表示，并研究在潜在空间中编码的面部语义属性特性，可以实现面部属性的真实操作而不必重新训练模型，并且可以更准确地控制特征操作。

    May, 2020

  • XingGAN的人物图像生成

    该研究提出了一种新颖的生成对抗网络 (XingGAN)，用于人物图像生成任务，即将给定人物的姿势转换为所需的姿势。该方法使用两个生成分支建模人物的外观和形状信息，并利用交叉的方式更新这些信息以相互提高。实验表明，该方法在两个具有挑战性的数据集上的性能比现有的图像生成方法均有所提高。

    Jul, 2020

  • MUST-GAN:自主驾驶人物图像生成的多层统计转移

    提出一种新颖的多层次统计转移模型，通过注意力机制和属性统计学习最优的外貌表示，将其传输到姿势引导生成器进行外貌和姿势的重构，从而实现自主驱动的人物图像生成，实验证明该方法在DeepFashion数据集上表现出色。

    Nov, 2020

  • 自适应消息传递的二分图网络用于无偏场景图生成

    通过引入自适应消息传递的置信度感知双分图神经网络和高效的双层数据重新采样策略，可以有效地消除偏差，进而实现对场景图生成的均衡处理。该方法在多个具有挑战性的数据集上实现了卓越或具有竞争力的性能，包括Visual Genome，Open Images V4/V6。

    Apr, 2021

  • 周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

    提出了一种基于循环的生成对抗网络模型(C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

    Jun, 2021

  • 基于二分图推理的人体姿态和面部图像合成 GAN

    提出了一种新颖的双分图推理生成对抗网络，旨在模拟姿态与图像之间的关系，并通过部分感知的双分图推理块来实现全局结构的转换。通过三个公共数据集的实验证明了该方法的有效性。

    Nov, 2022