Nov, 2023

ARTEMIS: 使用多个判别器的 GAN 生成艺术

PDF
TL;DR我们提出了一种新颖的生成抽象艺术的方法，通过训练自动编码器，提取源图像的风格表示，并使用生成对抗网络中的解码器作为生成器，结合多个鉴别器使生成器能够欺骗全部鉴别器，并最大化多样性项，最终生成具有超现实几何特性的图像。我们将其称为 ARTEMIS（艺术编码器 - 包括自注意力的多鉴别器），因为它使用了自注意力层和编码器 - 解码器架构。
abstract artautoencoderstyle representationsganartemis
发现论文，激发创造
  • GAN 的在线自适应课程学习

    提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

    Jul, 2018

  • Gated-GAN：用于多集合风格转移的对抗门控网络

    本文提出了一种名为 Gated GAN 的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。

    Apr, 2019

  • ArtGAN: 有条件的分类生成对抗网络进行艺术品综合

    本文提出了一种生成式对抗网络的扩展 ——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。

    Feb, 2017

  • 使用多条件 StyleGAN 生成艺术创作

    本文介绍了一种基于生成对抗网络的多条件控制方法，通过对大量人类绘画进行训练，生成模拟人类艺术的逼真画作，提供了对生成画作的特征进行精细控制，针对多条件生成，引入了条件截断技巧，并使用一系列评估技术对生成结果进行定量分析。

    Feb, 2022

  • 基于风格的生成对抗网络生成器架构

    本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

    Dec, 2018

  • Dropout-GAN: 动态集成鉴别器的学习

    在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

    Jul, 2018

  • 基于生成式对抗网络的专辑封面艺术图片生成

    本文研究机器学习中生成对抗网络（GANs），特别关注艺术方面的应用，以最先进的 StyleGAN2 为例，尝试生成专辑封面并通过艺术风格进行个性化定制。

    Dec, 2022

  • 多智能体多元生成对抗网络

    介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

    Apr, 2017

  • 混合批次和对称判别器用于 GAN 训练

    该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

    Jun, 2018

  • 基于多领域艺术图像的任意风格转移学习

    我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

    May, 2018