Mar, 2021

放弃 GAN：支持最近邻补丁作为单图像生成模型

PDF
TL;DR本文提出了一种不需要训练的基于补丁的优化框架，比单个图像 GAN 方法快 1000~10000 倍，并产生比任何以前的方法（无论是基于 GAN 还是基于经典补丁的方法）更优越的结果和更真实的整体结构，应用广泛，如图像编辑和重塑大小。
发现论文，激发创造
  • 从单个视频生成多样化视频

    本文提出了非参数基线方法来解决单个视频生成及操作任务，相较于传统的基于 GAN 的方法能提供更高的性能和更快的运行速度，并且在视频类比和时空重新定位等方面表现突出。

    May, 2022

  • PixelNN: 基于示例的图像合成

    本文提出了一种简单的最近邻方法，可以从 “不完整” 的信号（如低分辨率图像、表面法线图或边缘）中合成高频逼真的图像。通过将卷积神经网络和最邻近法相结合，可以解决模式崩溃问题和输出可控性。

    Aug, 2017

  • 使用直接图块分布匹配生成自然图像

    本研究使用 Sliced Wasserstein Distance 开发了一种新的算法，能在两个图像之间显式快速地最小化贴片分布之间的距离，从而消除传统计算机视觉算法的计算难度，并能在几秒钟内生成高质量的图像。

    Mar, 2022

  • 基于生成对抗网络的基于补丁的图像修复

    本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局 GAN（G-GAN）架构和 PatchGAN 方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

    Mar, 2018

  • 生成式最邻近邻域中的非对抗图像合成

    本文提出了生成潜在近邻（GLANN）的新方法，以代替不稳定的敌对训练，并比传统的 GAN 和 VAE 方法生成的图像质量更好，同时也被证明可以用于非对抗无监督图像翻译。

    Dec, 2018

  • 基于补丁的 3D 自然场景从单个示例生成

    提出一种基于 3D Patch 的生成模型，用于生成高质量通用自然场景，解决了训练数据量小、场景特征变化等问题。

    Apr, 2023

  • AI 生成图像检测所需的单个简单补丁

    为了防止虚假图像的恶意使用，本研究提出了一种简单且具有鲁棒性和通用性的方法，即将单个简单贴片的噪声模式馈入二元分类器，相对于最新方法在 GenImage 数据集上达到 14.6% 的相对改进，可以作为未来方法的简单而有竞争力的基准。

    Feb, 2024

  • 重新思考生成式零样本学习：一种基于集成学习的视觉图块识别方法

    使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

    Jul, 2020

  • 训练单张图像 GAN 的改进技术

    本文重点研究了如何从单张图像中学习生成模型，并提出了一些最佳实践，包括同时训练多个阶段以实现更好的结果，并与最先进的基线模型进行了比较。

    Mar, 2020

  • 图像细粒度修复

    本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

    Feb, 2020