Nov, 2020

风格干预：如何通过基于风格的生成器实现空间脱耦？

PDF
TL;DR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。
generative adversarial networksstyleganlatent codelocal editingfacial attribute editing
发现论文，激发创造
  • 只用预训练的 StyleGAN 进行图像操作的多功能 StyleGAN

    本篇论文通过探究 StyleGAN 的空间特性，提出使用预训练的 StyleGAN 加一些操作就可以进行图像处理和编辑任务，并且在各项任务上表现可以与现有最先进技术媲美的方法。

    Nov, 2021

  • 编辑风格：揭示 GAN 的本地语义

    本文介绍了一种基于 StyleGAN 的语义编辑方法，可以局部移植另一张图像的特征，而不需要额外的监督或复杂的操作，实现了对 GAN 图像的语义编辑，并提高了图像的真实感。

    Apr, 2020

  • 生成对抗网络中的风格与内容分离

    该研究提出了一种新的无监督算法 ——Style and Content Disentangled GAN（SC-GAN），该算法可以让训练的生成敌对网络（GAN）以一种分离风格和内容的方式学习数据的表征。

    Nov, 2018

  • 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

  • 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

  • SemanticStyleGAN：学习组合生成先验进行可控图像合成和编辑

    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

  • StyleGAN 架构、方法与应用的最新技术

    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

  • 基于对角注意力和样式的 GAN 实现图像生成与转换中内容和风格解耦

    本研究提出了新的层级自适应对角空间注意力 (DAT) 层，用于分离图像生成模型中的空间内容和样式，并可以灵活地控制多域图像翻译任务中的内容和风格。实验表明，该方法在分离和控制生成图像中的空间特征方面优于现有模型。

    Mar, 2021

  • StyleSpace 分析：StyleGAN 图像生成的解耦控制

    通过对预先训练在多个数据集上的模型进行分析，本文探讨和分析了 StyleGAN2 的潜在样式空间，发现 StyleSpace 的通道式样式参数空间显著比前人的其他中间潜变空间更具解开性，提出了一种通过 StyleSpace 控制实现更好的视觉属性解开性的方法，最终展示了应用 StyleSpace 控制实现对真实图像的操作，为通过简单而直观的接口实现具有语义意义的、良好解开的图像操作铺平了道路。

    Nov, 2020

  • SC2GAN: 自校正相关 GAN 空间重新思考纠缠

    本研究探讨了生成对抗网络（GANs）中潜在空间的交错问题，并提出了一种新的框架 SC$^2$GAN 以实现解交错。通过重新投影原始潜在编码样本并根据高密度和低密度区域进行编辑方向的修正，利用原始的有意义方向和语义区域特定层插值原始潜在编码，生成罕见的属性组合的图像，然后将这些样本反转回原始潜在空间。我们将该框架应用于学习有意义潜在方向的现有方法，并展示了它在添加了少量低密度区域样本的情况下解交错属性的强大能力。

    Oct, 2023