GAN 中的低秩子空间
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
使用 PCA 的 GANSpace 方法学习的图片操作存在高度联系限制,因此,使用 ICA 替代 PCA 可以提高操作的质量和解缠效果。无论 GANs 的复杂性如何,他们的潜空间中都存在基本的控制方向。
May, 2023
该研究使用生成式对抗网络(GANs)的内部编码,通过直接分解预训练权重,提出了一种闭式因式分解算法,从而发现了语义上更丰富的维度,用于图像编辑和无监督学习。
Jul, 2020
本文提出了一种使用矩阵子空间投影的方法来分离标记属性信息和其他特征信息,从而实现在保留其他信息的情况下更改选定的属性,并演示了该方法在各种不同领域的自动编码器中的实用性及其生成质量的高竞争力。
Jul, 2019
本文提出了一种新的利用少样本或弱监督方式解决回归任务的方法,该方法利用生成式对抗网络(GANs)的语义信息表征能力,实现了将预先训练好的 GANs 转化成回归模型的操作,并证明了其在众多数据集和领域上的高效性。
Jul, 2021
我们提出了一种自编码器方法,通过重新组织 StyleGAN 的潜空间,使我们希望编辑的每个属性对应于新潜空间的一个轴,同时确保潜空间轴之间的相关性降到最低,以促进属性解缠,通过实验证明了我们的方法在编辑能力上超越了竞争方法,同时在保持图像身份一致性方面与原始图像具有高度的准确性,我们的自编码器结构简单明了,易于实现。
Dec, 2023
本文研究生成对抗网络(GANs)中的潜在空间与三维对象的关系,探讨了几种 GAN 的变体和训练方法,旨在提高 3D GAN 的训练效果,同时提出了未来研究的方向。
Apr, 2023
本文提出了一个名为 InterFaceGAN 的新框架,用于解释 GAN 学习到的语义面部编辑,并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现,精心训练的生成模型的潜在编码实际上学习了一个分离的表示,在线性变换后解旋,通过子空间投影来解开某些绑定属性,实现更精确的面部特征控制,并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。
Jul, 2019
本文介绍了一种简单的无监督方法,用于提供训练良好的局部潜在子空间,使得通过潜在编码的导航能够保持生成图像的真实感。实验证明,在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感,并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。
Oct, 2023
通过在中间的潜空间使用具有空间维度的调制替换 AdaIN,我们提出了 StyleMapGAN,它使得通过编码器的嵌入比现有基于优化方法更加准确,同时保持 GAN 的属性。实验结果表明,我们的方法在各种图像操作任务中显著优于最先进的模型。
Apr, 2021