Sep, 2020

利用高斯化的潜空间改善 StyleGAN 中的反演和生成多样性

PDF
TL;DR本文研究了生成式对抗网络中的潜在向量空间中数据分布模型，提出了一个简单的高斯先验模型，用于规范图像向潜在空间的映射，这样生成的图像更加平滑和稳定，同时维持多样性和减少生成图像中的伪像。
generative adversarial networkslatent vectorsdata distributiongaussian priorimage generation
发现论文，激发创造
  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 3D GANs 和潜空间：综合调查

    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

  • 稳健的 GAN 倒置

    通过在本身潜在空间中调节生成器网络来恢复缺失的图像细节，我们的方法在重建质量和计算效率方面优于传统方法，具有更低的失真和 4 倍少的参数数量。

    Aug, 2023

  • 改进版 StyleGAN 嵌入：好的潜空间在哪里？

    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

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018

  • 图像增强和动画的样式生成器反演

    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

  • 训练的潜在空间导航：在基于样式的模型生成的图像中预防缺乏逼真感

    本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

    Oct, 2023

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • GAN 中潜在空间维度的利用，用于实时图像编辑

    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