CVPRApr, 2022

任意尺度图像合成

PDF
TL;DR本文提出基于位置编码和跨尺度图像合成的方法，并在多个数据集上展现了稳定高质量的生成效果。
positional encodingsadversarial networkscale-consistentinter-scale augmentationspartial generation training
发现论文，激发创造
  • 朝向空间无偏差生成模型

    本文针对图像生成模型在数据集中表现出的空间偏见现象，提出了在生成器的每一个尺度注入显式的位置编码，以学习空间上无偏差的生成器，以适应多种任务的需求，包括 GAN 反演、多尺度生成、任意尺寸和宽高比的生成。同时，作者还表明该方法同样适用于去噪扩散随机模型。

    Aug, 2021

  • 高分辨率图像合成的任意分辨率训练

    研究表明，变化尺寸的数据可以更好地利用多分辨率训练，新的基于连续比例尺的训练方法可使用原始分辨率大小的图像数据和连续坐标取样生成高分辨率图像，并在自然图像数据集上获得更好的实验结果。

    Apr, 2022

  • 利用对抗训练跨尺度学习图像

    使用对抗训练和多尺度生成器，从一组普通图像中学习并生成多尺度表示，以实现高质量和尺度一致性的高倍数放大效果。

    Jun, 2024

  • 生成对抗网络中的位置编码为空间归纳偏差

    该论文研究了产生式模型的位置编码对于生成高保真度图像的作用，发现使用零填充时的隐式位置编码是生成器捕捉全局结构的关键，并且使用一种更灵活的显式位置编码可以显著提高产生式模型的性能。

    Dec, 2020

  • 使用 Transformer 进行高分辨率复杂场景合成

    该论文介绍了一种基于深生成模型的图像合成方法，通过压缩和离散表示学习高频细节和纹理信息，再结合自回归转换模型生成高质量的图像。

    May, 2021

  • 无别名生成对抗网络

    介绍了一种改进的生成敌对网络，通过改进信号处理过程以消除混叠引起的问题，实现了小型结构变化，并具有完全等变性，可以更好地适用于视频和动画。

    Jun, 2021

  • InfinityGAN：无限像素图像合成

    我们提出了一种新颖的框架 InfinityGAN，用于与任意大小的图像生成相关的任务，它在资源和真实性方面具有优越性能，并可应用于空间风格融合、多模式外油漆和图像中间。

    Apr, 2021

  • 基于有条件的 GAN 的高分辨率图像合成和语义操作

    使用条件生成对抗网络（conditional GANs）从语义标签图中合成高分辨率照片般真实的图像，并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构，生成 2048x1024 的视觉吸引力结果。此外，我们将我们的框架扩展到与两个额外功能的交互式视觉操作，它们是：将对象实例分割信息整合进去以进行对象操作（如删除 / 添加对象和更改对象类别），以及提出一种方法，可以在给定相同输入的情况下，生成不同的结果，允许用户交互式地编辑对象外观。人的意见研究表明，我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。

    Nov, 2017

  • 低样本图像生成的自适应特征插值

    本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

    Dec, 2021

  • 综合位置编码增强图像超分辨率中的多尺度隐式学习

    本文通过将频率信息聚合在像素区域中来扩展传统的位置编码，提出了集成位置编码（IPE），并将其应用于最先进的任意尺度图像超分辨率方法之一：局部隐式图像函数（LIIF），提出了 IPE-LIIF。我们通过定量和定性评估展示了 IPE-LIIF 的有效性，进一步证明了 IPE 对更大的图像尺度和多个隐式方法的泛化能力。

    Dec, 2021