HyperInverter: 通过超网络改进 StyleGAN 逆向
本文提出了 HyperStyle 方法,它利用 hypernetwork 对 StyleGAN 网络进行加权调整,从而可以将一幅图像忠实地表达为 latent space 中可调整的部分,使得该方法可以用于实现像素到像素的图像编辑工作,并且在编辑出不同于训练过的图像时,也能取得较好的效果。
Nov, 2021
利用样式生成对抗网络(StyleGAN)的潜在空间,将真实图像反转并通过语义丰富的特征表示进行多项编辑,进一步扩展到将被擦除的图像反转到 GAN 的潜在空间中进行逼真修复和编辑的更为困难的任务,通过将反转的潜在编码与随机样本的 StyleGAN 映射特征组合,通过训练编码器和混合网络,利用生成的数据来鼓励混合网络同时利用两个输入,并利用高速特征来防止修复部分与未被擦除部分的颜色不一致,并通过与先进的反转和修复方法进行实验和对比,定量指标和视觉比较显示出显著的改进。
Jul, 2023
本研究通过将 StyleGANs 的超球形先验 Z 和 Z + 集成到 GAn 反演方法中,实现了不牺牲图像质量的语义编辑,并用实验证明 Z + 能取代最常用的 W、W + 和 S 空间,同时保持重建质量,减少图像畸变。
May, 2023
本文提出了一种域内 GAN 反演方法,旨在通过一个新颖的领域引导编码器将真实图像映射到 GAN 的本机潜在空间中,从而精确重构输入图像并同时确保倒置代码在语义域内,以便支持各种基于变化倒置代码的图像编辑任务。实验表明,我们的反演方法实现了令人满意的真实图像重建,同时大大提高了各种图像编辑任务的效率,并远远超过了当前领先的方法。
Mar, 2020
该文章提出了一种新的元辅助框架,利用新开发的 3D GANs 作为生成器,在两个阶段中利用辅助网络来编辑输入图像,实现更好的 GAN 反演和图像编辑性能。
May, 2023
本文研究 StyleGAN 的潜在空间,提出了两个设计编码器的原则,以平衡畸变 - 可操作性和畸变 - 知觉的权衡,从而为真实图片的编辑提供了更好的方法。
Feb, 2021