InfinityGAN:无限像素图像合成
本文介绍了一种使用基于生成对抗网络(GANs)的逐片段范例生成无限分辨率纹理图像的新方法。该方法通过在一个纹理图像上训练 GAN 模型,生成相对较小但局部相关且可无缝拼接成更大图像的纹理片段,并具有可扩展性、一致性和多样性。实验结果表明,相比于现有方法,该方法具有更好的可扩展性和视觉一致性。
Sep, 2023
本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法,并提出了一种截断技巧来控制生成器输入方差,从而在生成高保真度和多样化样本方面实现平衡。该方法应用于 ImageNet 数据集上,在 128x128 分辨率下,IS(Inception Score)为 166.5,FID(Frechet Inception Distance)为 7.4,表现超过之前的方法。
Sep, 2018
本文提出一种理论模型,通过将随机空间向量输入到完全卷积神经网络中,基于空间随机过程生成任意分辨率的图像,并用该模型来提高空间无限生成模型的训练效率,实现了对世界地图、全景图像和纹理合成等的任意尺寸图像的高效生成。
Jul, 2020
研究表明,变化尺寸的数据可以更好地利用多分辨率训练,新的基于连续比例尺的训练方法可使用原始分辨率大小的图像数据和连续坐标取样生成高分辨率图像,并在自然图像数据集上获得更好的实验结果。
Apr, 2022
本文提出了一种基于单张输入图片进行训练,学习其内部 patch distribution 的 Internal GAN 模型,通过 InGAN 生成大量不同大小、形状和长宽比的新自然图像,其内部 patch distribution 与输入图像保持一致,并能在保留本地大小形状的前提下,自动调整图像大小和形状。InGAN 模型基于无监督学习,只需要输入图像本身即可进行训练,提供了一种统一的纹理和自然图像的任务框架。
Dec, 2018
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
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
使用条件生成对抗网络(conditional GANs)从语义标签图中合成高分辨率照片般真实的图像,并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构,生成 2048x1024 的视觉吸引力结果。此外,我们将我们的框架扩展到与两个额外功能的交互式视觉操作,它们是:将对象实例分割信息整合进去以进行对象操作(如删除 / 添加对象和更改对象类别),以及提出一种方法,可以在给定相同输入的情况下,生成不同的结果,允许用户交互式地编辑对象外观。人的意见研究表明,我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。
Nov, 2017
在输入多张图像且需要大规模输出的纹理合成问题中,本文基于生成对抗网络提出两个扩展解决方案,一是结合较小分辨率的 GAN 训练产生边界无明显痕迹的大规模纹理地图,二是提供用户界面进行艺术控制,我们的定量和定性结果展示了合成高分辨率地图的成功案例。
Apr, 2019