Oct, 2020

MichiGAN：面向人像编辑的多输入细节调整发型生成

PDF
TL;DR本文提出了多输入头发图像 GAN (Multi-Input-Conditioned Hair Image GAN)——MichiGAN，通过明确头发的四个正交属性，包括形状、结构、外观和背景，设计对应的条件模块来表示、处理和转换用户输入，并将所有这些条件模块与主干生成器集成，从多个用户输入进行全条件头发生成。通过大量实验和评估，我们展示了我们的方法在结果质量和用户可控性方面的优越性。
michiganhair editingconditional image generationdisentangle hairinteractive portrait hair manipulation
发现论文，激发创造
  • 带有条件 GAN 的面罩引导肖像编辑

    本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部，该方法可用于本地面部编辑、面部合成和交换，同时提供了数据增强的选项以加强面部分析的性能。

    May, 2019

  • 多模态条件下的三维感知图像生成和编辑

    本文提出了一种新颖的端到端 3D 感知图像生成和编辑模型，通过纯噪声、文本和参考图像等多种条件输入，在 3D 生成对抗网络（GANs）的潜在空间中深入研究并提出解缠特性较好的生成策略，同时采用统一框架进行灵活的图像生成和编辑任务，实现多模态条件下的多样图像生成、属性编辑和风格迁移。广泛实验证明，该方法在图像生成和编辑方面在质量和数量上均优于替代方法。

    Mar, 2024

  • AvatarMMC: 三维头像生成和编辑，多模态条件下

    我们介绍了一种基于 3D 生成对抗网络（GAN）和潜在扩散模型（LDM）的多模态条件的 3D 头像生成和编辑方法。我们的方法可以根据混合控制信号（例如 RGB 输入，分割掩模和全局属性）生成和编辑 3D 头像，从而在全局和局部方面提供对合成头像的更好控制。

    Feb, 2024

  • 具有细粒度控制的灵活人像图像编辑

    本文提出了一种新的人像图像编辑方法，采用不对称条件 GAN 架构，支持几何、颜色、光和阴影的细粒度编辑。通过向生成器提供可以直接由用户编辑的条件输入来实现编辑，例如边缘图、颜色板、滑块和蒙版。该方法具有较好的编辑效果，并且支持几何、颜色、阴影、光的多种编辑方式，同时也支持从手绘草图到图像的转换和颜色转换等任务。

    Apr, 2022

  • StyleGAN 沙龙：多视角潜空间优化实现姿态不变发型转移

    本论文提出了一种基于多视图优化的方法，结合 StyleGAN 技术进行头发的虚拟试穿，能够准确地转移发型并保留输入图片的面部特征和身份信息。

    Apr, 2023

  • 用户指定内容的条件图像生成与操作

    提出了一种单一的文本到图像生成和操纵的流程，其中在我们的流程的第一部分，介绍了 TextStyleGAN 这个在文本上进行训练的模型；第二部分使用预训练的 TextStyleGAN 权重进行语义面部图像操纵，并通过在潜空间中找到语义方向来完成。我们展示了该方法可以用于广泛的面部图像属性操纵，并介绍了 CelebTD-HQ 数据集作为 CelebA-HQ 的扩展，其中包含了人脸及相应的文本描述。

    May, 2020

  • 基于生成模型的直观交互式胡须和头发合成

    采用神经网络处理的图像合成方法，通过人工繁琐的建模，渲染和复合形成目标发型的三维几何形状来合成真实的面部毛发变化，使用户能够通过简单的引导笔画来进一步指导和修整所生成的图像。此方法不仅可以控制结构和颜色特征，而且发夹名单可以灵活地扩展和生成高保真头皮发。

    Apr, 2020

  • HairCLIP: 通过文本和参考图像设计您的发型

    本文提出了一种利用文字或参考图像来对毛发属性进行单独或联合操作的新型毛发编辑交互模式，通过在共享嵌入空间中编码图像和文本条件并利用 Contrastive Language-Image Pre-Training（CLIP）模型的强大图像文本表示能力提出了一种统一的、高质量的毛发编辑框架。

    Dec, 2021

  • M6-Fashion：高保真多模态图像生成与编辑

    本文提出了一种统一的两阶段框架 ——M6-Fashion，将样式先验知识和多模态控制的灵活性融合在一起，实现时尚设计中的实用 AI 辅助，取得了优秀的成果。

    May, 2022

  • GAN 中的多个条件输入解耦

    提出了一种用于控制 GAN 生成图像中多个输入条件效果的方法，并展示了在计算机辅助时装设计中对服装图像的颜色、纹理和形状的控制，通过自定义条件 GAN 并加入一致性损失函数对输入属性进行了分离，实验表明，我们可以逐个地调整输入属性，引导网络生成新颖逼真的服装图像，并提出了一种时尚设计过程，在估计现有服装的输入属性并使用我们的生成器修改这些属性方面具有应用前景。

    Jun, 2018