May, 2023

WeditGAN: 通过潜空间重新定位进行少样本图像生成

PDF
TL;DR本文介绍了一种基于 WeditGAN 的 few-shot image generation 方法，利用常数偏移量编辑 StyleGANs 中的中间潜在层代码 w，通过重新定位源潜在空间的分布，构建目标潜在空间，成功地实现了模型转移，并在多个数据集上进行了实验以证明其在 few-shot image generation 方面的高效性。
few-shot image generationgan modelsmodel transferlatent spacesweditgan
发现论文，激发创造
  • 稳健的 GAN 倒置

    通过在本身潜在空间中调节生成器网络来恢复缺失的图像细节，我们的方法在重建质量和计算效率方面优于传统方法，具有更低的失真和 4 倍少的参数数量。

    Aug, 2023

  • GAN 中潜在空间维度的利用，用于实时图像编辑

    通过在中间的潜空间使用具有空间维度的调制替换 AdaIN，我们提出了 StyleMapGAN，它使得通过编码器的嵌入比现有基于优化方法更加准确，同时保持 GAN 的属性。实验结果表明，我们的方法在各种图像操作任务中显著优于最先进的模型。

    Apr, 2021

  • 使用 StyleGAN 对图像编辑进行残差变形

    提出一种新颖的图像反转架构，该架构提取高速率的潜在特征，并包含流估计模块来对这些特征进行编辑。实验证明，该方法在图像输入的逼真度和编辑质量上都取得了显著的改善。

    Dec, 2023

  • 通过潜空间导航的可控 GAN 用于图像编辑

    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

  • 基于潜空间视角的 StyleGAN 倒推用于图像编辑

    通过对比学习实现 GAN 逆变换，提高基础潜空间中的表达能力，为重建保真度和可编辑性带来最先进的结果。

    Nov, 2022

  • GAN 潜空间中的语义编辑的 Wasserstein 损失

    本文提出了一种基于 Wasserstein 损失和 StyleGAN2 的生成对抗网络（GANs）的方法，可以实现在潜空间中编辑语义属性以修改生成的图片，避免了定向分类器会遇到的问题，并且取得了与分类器方法相当的性能。

    Mar, 2023

  • 重新审视 GAN 反演的潜空间用于真实图像编辑

    通过将 StyleGANs 的超球面先验 Z 与潜空间结合起来，我们提出了 F/Z + 空间，其中 F 空间用于重建图像而 Z + 空间支持高质量的编辑，通过在 Z + 空间中移动实现语义编辑而不损失图像质量。

    Jul, 2023

  • 基于 Mixup 距离学习的少样本图像生成

    本文提出了一种基于特征空间上的混合距离正则化的方法，用于训练现有的生成模型，以在少量样本的情况下增强其逼真性和多样性，从而解决 GANs 在训练数据不足时的过拟合问题和模式崩溃现象。

    Nov, 2021

  • 松弛空间结构对鲁棒性小样本生成模型适应的影响

    本论文提出了一种基于空间结构对少量数据进行对抗生成模型适配的方法，通过对源域和目标域的图像对进行跨域对齐，减轻目标生成模型过拟合和崩塌的问题，实验表明该方法在少样本学习中具有显著优势。

    Mar, 2022

  • 利用 StyleGAN 先验潜空间平衡 GAN 反演的重建和编辑质量，用于真实图像编辑

    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