Apr, 2021

In&Out: 通过 GAN 反演实现多样化的图像出油画

PDF
TL;DR本研究提出了一种基于生成式对抗网络的图像拓展方法，通过对多个潜在编码的生成进行条件渲染，实现了对图像的多样化拓展，并可对分类输入进行拓展，其拓展区域结构和内容更加丰富，表现出更高的视觉质量和多样性。
image outpaintinggenerative adversarial networkslatent codespatch-based generationvisual quality
发现论文，激发创造
  • 画出框框之外：使用 GAN 进行图像外放

    通过深度学习的方式，利用基于 DCGAN 架构的图像分割技术及本地鉴别器提升图像边界的质量，从而实现图片的画外部分（extrapolation），其结果表明利用深度学习方法进行画外部分的研究既可行又具有前景。

    Aug, 2018

  • 利用生成对抗网络的图像外延和融合

    本研究提出了两种用于图像外推的方法，即使用上下文编码器和单图像生成模型，并演示了 GAN 在产生合理的外推结果方面的潜在能力。通过将幻想的细节与原始图像的风格相融合，以期进一步提高结果的质量，并可能支持任意输出分辨率。

    Dec, 2019

  • GAN Inversion 高保真图像修复

    本文提出了一种新的用于图像修复的 GAN 反演模型 InvertFill，它包括一个带有预调制模块的编码器和一个包含 F&W + 潜在空间的 GAN 生成器。通过使用 F&W + 潜在空间和 Soft-update Mean Latent 模块，该模型能够更好地实现图像修复。该模型在四个具有挑战性的数据集上的综合实验结果表明，在视觉和定量上优于现有的高级方法，并且很好地支持跨域图像的修复。

    Aug, 2022

  • GAN 反演的多样修复和编辑

    利用样式生成对抗网络（StyleGAN）的潜在空间，将真实图像反转并通过语义丰富的特征表示进行多项编辑，进一步扩展到将被擦除的图像反转到 GAN 的潜在空间中进行逼真修复和编辑的更为困难的任务，通过将反转的潜在编码与随机样本的 StyleGAN 映射特征组合，通过训练编码器和混合网络，利用生成的数据来鼓励混合网络同时利用两个输入，并利用高速特征来防止修复部分与未被擦除部分的颜色不一致，并通过与先进的反转和修复方法进行实验和对比，定量指标和视觉比较显示出显著的改进。

    Jul, 2023

  • 无穷无尽：用生成对抗网络进行图像扩展

    本文介绍了一种基于生成对抗网络 (GAN) 的语义条件方法，可在图像扩展、全景图像生成等领域中取得强大的成果。

    Aug, 2019

  • 深度生成模型在语义图像修复中的应用

    本文提出了一种基于生成模型的新型语义图像修复方法，该方法可在缺失的内容相互独立的情况下进行推理，并取得超越其他方法的像素级真实感。

    Jul, 2016

  • 使用外推算法进行超长自然景观图像预测

    该研究设计了具有创新模块的编解码器结构，包括跳过水平连接和循环内容传递，实现了高质量、实时和高效的图像外描绘预测，同时能够根据给定的输入生成风格和语义内容相同的非常长的图像。在收集的新景观数据集上进行的实验结果表明该提出的架构具有很高的效能。

    Dec, 2019

  • 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

  • GRIG：少样本生成式残差图像修复

    提出了一种使用 CNN 和 Transformers 进行全局推理的 few-shot generative residual image inpainting 方法，通过图像级和补丁级鉴别器及伪造补丁的对抗训练策略实现高质量修复效果，并通过对比评估表明该方法优于以往的 few-shot image inpainting 方法。

    Apr, 2023

  • 基于区域的生成对抗图像修复技术：针对大面积缺失区域

    我们提出了一个通用的修复损坏图像的网络，能够分开处理连续和不连续区域，使用区域卷积来处理已有区域和缺失区域，并引入互相关损失以提供更多信息。实验结果表明，相对于现有方法，我们的方法在整张图片上能更精确地还原出缺失的区域。

    Sep, 2019