May, 2023

生成图像空间的交互式基于点的操作：拖放你的 GAN

PDF
TL;DR本论文提出了 DragGAN，一种基于运动监督和点追踪的生成对抗网络控制方式，旨在实现对图像姿势、形状、表情和布局的精确操作和灵活掌控。实验结果表明，在图像操作和点追踪方面，DragGAN 比以前的方法更具优势。
image manipulationganmotion supervisionpoint trackingflexible controllability
发现论文，激发创造
  • 使用生成对抗网络进行交互式 3D 建模

    本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

    Jun, 2017

  • 可控肖像图像动画的 3D GAN 反向推导

    本文提出了一种基于新开发的三维生成对抗网络（GANs）的画像图像动画的技术，该技术允许对图像主体的姿态进行明确控制，并展示了该方法在图像质量，身份保护和姿态转移等方面胜过先前的方法，同时支持属性修改。

    Mar, 2022

  • 自然图像流形上的生成视觉操作

    本文提出了一种基于生成对抗神经网络的自然图像流形的学习方法，以及一类图像编辑操作及其在学习到的流形上的实时约束优化方法以实现逼真的图片编辑与生成。

    Sep, 2016

  • 3D-FM GAN: 面部三维可控制变化

    提出了一种新的 3D 可控脸部操作方法：3D-FM GAN，通过将输入脸部图像和 3D 编辑的真实渲染相结合，可以提供高质量、身份保留、3D 可控的脸部操作，相较于现有技术，具有更好的可编辑性、更强的身份保护和更高的照片逼真度。

    Aug, 2022

  • 基于 3D 约束和细节增强的人体动作迁移

    使用生成对抗网络，将源角色的动作转移到目标角色上，并且保持高逼真度。将姿势信息和外貌信息解耦并重新组合，利用重建的三维人体模型作为 GAN 的条件，进一步引入细节增强网络以增强转移结果的细节信息。实验表明，该方法在质量和数量上均优于现有技术。

    Mar, 2020

  • LG-GAN: 面向基于点云的深度网络的标签引导对抗网络进行灵活的有针对性攻击

    本文提出了一种新颖的标签引导的对抗网络（LG-GAN）用于实时灵活的目标点云攻击，该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签，支持在飞行中的灵活目标攻击，并同时保证攻击性能和效率的同时提高。

    Nov, 2020

  • 利用对抗生成网络进行语义生成操作

    本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

    Aug, 2017

  • GANzilla: 生成对抗网络中用户驱动的方向发现

    GANzilla 是一种用户驱动的工具，使用散点 / 收集技术帮助用户迭代地发现方向以达到他们的编辑目标，用户能够编辑图像以匹配提供的示例和在个体之间展现多样性。

    Jul, 2022

  • GAN-Control: 明确可控的 GANs

    我们提出了一个具有明确控制 GAN 生成的图像的框架，借助于对抗性训练（GANs）、明确控制的潜在空间以及对人类的符号解释模型进行了对生成图像的控制，可扩展到人类脸谱以外的领域，实现了身份、年龄、姿态、表情、头发色彩和光照方面的控制，并且在画像和狗图像生成的领域中都展示了控制能力，同时表现出优良的定量和定性性能。

    Jan, 2021

  • DriveGAN：朝着可控的高质量神经仿真

    通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。

    Apr, 2021