Jun, 2021

Styleformer:基于Transformer的带有风格向量的生成对抗网络

HTML
PDF
TL;DR提出了 Styleformer，这是一种基于 transformer 的 GAN 生成器，其结构不依赖于卷积操作，并修改了现有的 transformer 结构，使其生成高质量的图像，可以在 CIFAR-10 和 LSUN-church 等数据集上实现可比较的性能，并在 STL-10 和 CelebA 上实现了新的最先进水平。
发现论文，激发创造
  • 使用风格和结构对抗网络进行生成图像建模

    本研究提出了一个解决图像生成的新框架，通过拆分成结构生成和风格生成两个GAN组件，使用附加的损失函数和联合学习，该模型可以生成更真实的图像，用于学习无监督的RGBD表示。

    Mar, 2016

  • 图像增强和动画的样式生成器反演

    本文探究了用生成式对抗网络 GANs 的最新进展，发现最近提出的 style-generators 可以被用作通用图像先验，其具有线性特性和可逆性，且在图像增强任务方面优于其他 GANs 和 Deep Image Prior。

    Jun, 2019

  • 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

  • 生成对抗变换器

    该研究介绍了GANformer——一种高效的transformer类型，探索其在视觉生成建模任务中的应用。它通过双分图结构实现图像间的长距离相互作用，并保持线性计算效率，能够轻松扩展到高分辨率综合，并展示了State-of-the-art的图像质量和样本多样性，同时具备快速学习和更好的数据效率。

    Mar, 2021

  • MobileStyleGAN: 一种用于高保真图像合成的轻量级卷积神经网络

    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。

    Apr, 2021

  • StyleSwin：基于Transformer的GAN用于高分辨率图像生成

    本文研究探索类似于 pure transformers 的 GAN 架构来进行高分辨率图像合成，并提出了基于 Swin transformer 和本地化的 Local Attention 的 StyleSwin 生成器。在高分辨率合成过程中，采用双重注意力机制来改善生成质量、有效地抑制块状伪影，并证明了 transformers 在高分辨率图像生成方面的可用性。

    Dec, 2021

  • 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

  • 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

  • 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

  • StylePrompter：所有风格需要的只是注意力

    对给定图像进行GAN反演，将其转化为相应的潜在代码，尤其是针对具有解耦潜在空间的StyleGAN，从而实现基于属性的图像操作。

    Jul, 2023