StyleGAN 中用于细粒度图像操纵的特定属性控制单元
通过对预先训练在多个数据集上的模型进行分析,本文探讨和分析了 StyleGAN2 的潜在样式空间,发现 StyleSpace 的通道式样式参数空间显著比前人的其他中间潜变空间更具解开性,提出了一种通过 StyleSpace 控制实现更好的视觉属性解开性的方法,最终展示了应用 StyleSpace 控制实现对真实图像的操作,为通过简单而直观的接口实现具有语义意义的、良好解开的图像操作铺平了道路。
Nov, 2020
通过将选择性转移单元与编码器 - 解码器网络和生成对抗网络相结合,本文提出了一种属性编辑模型,可以有效地提高感知质量和属性操纵准确性。
Apr, 2019
FLAME 是一种使用少量监督来进行操纵编辑方向的简单而有效的框架,可通过操纵潜在空间来实现高度可控的图像编辑。同时,还提出了属性样式操作的新任务,以生成具有不同属性样式的多样化图像。
Jul, 2022
本研究提出了一种新的控制图像属性的编辑方法,通过学习多种属性变换和应用内容损失和对抗损失来实现单一和多属性的编辑,并保留图像身份和真实感。此外,提出了客观评价标准以衡量模型性能,结果表明该模型在目标图像操作方面达到了最先进水平。
Feb, 2021
通过在 GAN 的 latent space 中引入条件属性特征,作者提出了 StyleFlow 来实现运用属性控制生成样本和实现编辑的两个子问题, 并在实际应用中验证了 StyleFlow 的有效性和优越性。
Aug, 2020
介绍了一种属性分解生成对抗网络,能够通过将人的属性嵌入潜在空间作为独立编码,通过混合和插值运算在显式样式空间中灵活控制属性,从而实现可控的人物图像生成,实现了更好的姿势和组件属性转换。
Mar, 2020
提出了一种分组生成对抗网络 (SG-GAN) 的方法,可在少量标记数据的情况下识别图像并进行多任务学习,通过实验验证在面部图像处理方面的优越性能。
May, 2018
该论文提出了一种基于梯度信息的新方法,探索生成对抗网络 (latent space) 中的非线性控制,实现了多方向控制和有效解缠,这使得 GANs 的可控生成问题得到了解决。
Sep, 2022
本文提出使用 Semi-Latent Facial Attribute Space (SL-FAS) 和 SL-GAN 模型学习人脸图像生成和修改,通过实验验证了该模型的有效性,并提出迭代训练算法。
Apr, 2017