周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

MMJun, 2021

周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

Total Generate: Cycle in Cycle Generative Adversarial Networks for Generating Human Faces, Hands, Bodies, and Natural Scenes

PDF

Hao Tang, Nicu Sebe

TL;DR提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

Abstract

We propose a novel and unified Cycle in Cycle Generative Adversarial Network (C2GAN) for generating human faces, hands, bodies, and natural scenes. Our proposed C2GAN is a cross-modal model exploring the joint ex

generative adversarial networks cross-modal image-to-image translation cycled subnets human faces

发现论文，激发创造

循环中的循环生成对抗网络用于关键点引导的图像生成

提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

Aug, 2019

CDGAN: 循环判别式生成对抗网络用于图像到图像转换

本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

Jan, 2020

CSGAN: 用循环合成生成对抗网络进行图像转换

本文提出了一种基于循环生成对抗网络（CSGAN）的图像转换方法，使用 Cyclic-Synthesized Loss 作为新的目标函数。该方法在 CUHK Face 数据集和 CMP Facades 数据集上的实验结果表明，相比 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 等最新技术方法，CSGAN 在 CUHK 数据集上表现最优，同时在 Facades 数据集上表现出很好的定量和定性综合性能。

Jan, 2019

利用上下文生成对抗网络进行人脸衰老

本文提出一种新颖的 C-GAN 模型，用于生成更贴合真实数据的老化人脸图像，并且该模型能够考虑到相邻年龄组之间的渐变变化，从而提高了跨年龄人脸验证的性能。

Feb, 2018

H-GAN: 手中的 GAN 力量

本论文提出 HandGAN，一种采用多尺度感知判别器的循环一致性对抗性学习方法，旨在将合成的手部图像转换为真实领域中的图像，从而提高人工合成手部图像的逼真程度。

Mar, 2021

3DHumanGAN: 面向照片般逼真的三维感知人体图像生成

本文提出了一种名为 3DHumanGAN 的生成对抗网络（GAN），用于合成全身人体的图像，具有在不同视角和姿势下一致的外观。该模型采用了 2D 卷积背骨由 3D 姿态映射网络调制的生成器架构，能够生成具有 3D 人体先验知识和一致性的逼真图像，并通过对抗学习从网络图片中学习而来。

Dec, 2022

循环一致性反向生成对抗网络用于文本到图像合成

本文提出了一种新颖的循环一致性逆向生成对抗网络 (CI-GAN) 框架，用于文本到图像生成和文本引导下的图像操作任务，在该框架中，我们采用循环一致性训练来学习更加稳健一致的潜变量，并通过学习文本表示与潜变量之间的相似度模型，在文本引导的优化模块中生成具有所需语义属性的图像，实验证明该框架具有良好的性能。

Aug, 2021

野外环境下面部照片 - 素描互译的半监督循环生成对抗网络

本文介绍一种半监督方法，即带有噪声注入策略的 Semi-Cycle-GAN (SCG)，用于解决面部照片素描翻译中的配对数据集小且缺乏多样性以及来自不匹配照片 - 素描数据集所带来的隐写学现象等问题。实验证明 SCG 在公共基准测试中具有竞争性的性能，并且在野外照片上表现出优越的结果。

Jul, 2023

双向条件生成对抗网络

本文提出了一种基于双向 cGAN 的生成模型，采用编码器从数据样本中学习潜在变量和已知辅助信息反向映射，通过关键技术的应用，该模型能够更准确地编码和利用潜在变量和辅助信息，并在生成样本方面具有更好的表现。

Nov, 2017

GestureGAN 在野外手势翻译中的应用

提出了一种新的手势生成对抗网络 (GestureGAN) ，通过显式地利用手部骨骼信息和两个新的 loss 函数：color loss 和 cycle-consistency loss 来实现手势翻译任务。在两个广泛使用的基准数据集上进行的大量实验表明，提出的 GestureGAN 在非约束性手势翻译任务中实现了最先进的性能，并生成高质量、逼真的图像，可用作改进手势分类器性能的数据增强。

Aug, 2018