Generating images from a single sample, as a newly developing branch of image
synthesis, has attracted extensive attention. In this paper, we formulate this
problem as sampling from the conditional distribution o
提出了一种新的半监督生成对抗网络模型 (SS-GAN),通过适应 GAN 框架,使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布,特别针对半监督学习,通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布,实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。
本研究提出了基于语义指导的条件纹理生成器(CTGAN),用于生成具有与视角一致且尊重形状语义的高质量 3D 纹理,通过精细操作潜在编码实现对生成纹理的风格和结构的显式控制,并通过输入分割进一步增强对纹理结构的控制,实验证明 CTGAN 在多个质量评估指标上优于现有的方法,并在有条件和无条件场景下实现了最先进的纹理生成性能。