Apr, 2021

MobileStyleGAN: 一种用于高保真图像合成的轻量级卷积神经网络

PDF
TL;DR本篇论文的研究目的是探讨如何在边缘设备上使用风格生成网络，并引入 MobileStyleGAN 结构，其参数量和计算复杂度分别为 StyleGAN2 的 1/3.5 和 1/9.5，同时提供可比较的生成质量。
generative adversarial networksgansstyle-based gan architecturesperformance optimizationmobilestylegan architecture
发现论文，激发创造
  • 基于风格的生成对抗网络生成器架构

    本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

    Dec, 2018

  • 风格化投影 GAN：一种快速且逼真的图像生成新结构

    利用转移学习将生成和真实样本投影到预训练的特征空间中，提出了优化后的结构化投影生成式对抗网络 Stylized Projected GANs，用于解决生成图像中出现的问题。

    Jul, 2023

  • StyleGAN-T: 用于快速大规模文本到图像合成的 GAN 强化技术

    该论文旨在使用生成对抗网络改进大规模文本到图像合成，提出了 StyleGAN-T 模型，它在大规模文本到图像合成中具有大容量、稳定的训练、强文本对齐和可控变化与文本对齐平衡等特点，并在样本质量和速度方面显著优于以前的生成对抗网络和蒸馏扩散模型。

    Jan, 2023

  • 分析并提高 StyleGAN 的图像质量

    使用改进的模型结构和训练方法，对 StyleGAN 生成器的规范化、进化成长和正则化进行了重新设计，并引入了路径长度正则化器，以改善图像质量和生成器的可逆属性。通过可视化生成器对其输出分辨率的使用情况，识别容量问题并进行大规模模型的训练，使得该模型在无条件图像建模领域中的分布质量和感知图像质量均达到了最高水平。

    Dec, 2019

  • 通过生成对抗网络实现风格分离和合成

    本文提出了一种新的深度学习网络 S3-GAN，可以同时实现特定类别物体照片的风格分离和风格合成。该网络结构包括编码器网络、生成器网络和对抗网络，基于前提假设物体照片在流形上，内容和风格是相互独立的，并通过编码器网络实现风格分离，生成器网络实现风格合成，对抗网络生成更加逼真的图像。实验表明，S3-GAN 可以在单个模型中同时捕捉各种风格，具备一定的风格分离和合成能力。

    Nov, 2018

  • 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

  • 基于生成式对抗网络的专辑封面艺术图片生成

    本文研究机器学习中生成对抗网络（GANs），特别关注艺术方面的应用，以最先进的 StyleGAN2 为例，尝试生成专辑封面并通过艺术风格进行个性化定制。

    Dec, 2022

  • StyleMelGAN：一种高效高保真的对抗性合成声码器，具有时态自适应归一化

    提出 StyleMelGAN 算法，实现高保真度语音合成，并解决了低计算复杂度的问题。

    Nov, 2020

  • StyleGAN-XL：将 StyleGAN 扩展到大规模多样化数据集

    使用强大的神经网络先验和渐进增长策略，成功地在 ImageNet 上训练了最新的 StyleGAN3 生成器，创造了新的 StyleGAN-XL 模型，并在大规模图像合成方面取得最新的技术突破。

    Feb, 2022

  • LoGANv2：基于条件风格的商标生成

    本文探讨了一种对 StyleGAN 体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。

    Sep, 2019