创意草图生成
本研究提出了基于 DoodleFormer 两阶段框架的创意素描图像生成方法,该方法采用了图形感知编码器和概率化编码器等技术,可成功有效地产生出具有多样性与真实性的创意素描图像,相关应用包括文本生成和素描完成等。
Dec, 2021
通过 GAN Sketching 方法实现 GAN 模型的简化,即利用一个或若干草图改变 GAN 模型的权重,鼓励模型输出与用户草图匹配,同时保留原始模型的多样性和图像质量,实现了潜空间插值和图像编辑。
Aug, 2021
本研究提出了一种新的生成对抗网络 (GAN) 方法,利用数据增强及信息流构建模块等技术,在摩托车、马和沙发等 50 类别的草图上合成逼真的图像,并在 Inception 分数上取得显著的改进。
Jan, 2018
通过与文本交互的过程,本文提出了一种名为 SketchDreamer 的方法,利用基于像素表示的图像的文本条件扩散模型训练来生成受控素描,并使文本和素描能够相互作用,以实现非专业用户创作素描,并将叙述扩展为故事板。
Aug, 2023
本文提出了两种基于深度学习的神经网络架构,SkeGAN 和 VASkeGAN,用于生成矢量格式的手绘素描,并且引入了 Ske-score 度量来评估其质量。经过人类 图灵测试和 Ske-score 评估,验证了这两个模型的生成结果质量较好。
Apr, 2019
本研究采用生成对抗网络,从无监督数据中学习出良好的表征,并应用于图像生成、场景分类以及像象形文字这类草图检索。我们提出了一种与草图检索搭配的新型 GAN 结构,并通过对比传统 GAN 结构的表现,证明本研究的草图 GAN 可用于草图的检索,并且相比标准 GAN 结构具有更高的旋转、缩放以及平移稳定性。
Jul, 2016
本文提出了一种通过免费手绘的草图实现控制式图像生成的方法,使用由属性向量桥接的生成对抗网络进行高质量的对象级图像内容生成,在称为 SketchyCOCO 的大规模混合数据集中验证了该方法的运用和效果并证明了其生成逼真复杂的场景级图像的能力。
Mar, 2020
该研究提出了一种基于笔画先验限制的生成对抗网络 SkrgAN,用于合成医学影像,实验结果表明该方法在各种图像模态下均能达到最先进的效果,并且用于数据增强可以提高医学图像分割方法的表现。
Aug, 2019