该论文提出了一个基于 GAN 框架的新方法，用于从简笔画和风格参考图像中合成带有颜色和纹理的详细艺术风格图像；该方法采用了双重遮罩机制、特征映射转换技术以及反实例标准化过程等模块，以增强风格一致性和内容约束，并取得了显著的合成性能提升。

Feb, 2020

文章提出了一种通过 decoder 使用 StyleGAN 训练生成更加真实的照片，并且通过 autoregressive sketch mapper 和 fine-grained discriminative loss 处理手绘人类草图，实现草图到照片的转化；实验结果展示了其可行性和有效性，同时通过草图检索出生成的照片实现了在草图界的突破。

Mar, 2023

本文介绍了 MyStyle，这是一种使用少量照片训练的个性化深度生成先验的方法，其可以重建、增强和编辑特定人物的图像，生成的图像忠实于人物的关键面部特征。通过少量照片我们可以调整预训练的 StyleGAN 面部生成器的权重，形成一个本地的、低维的、个性化的流形空间，该流形空间包含与个人不同的各种肖像图片的潜在编码。此外，我们提出了一种统一的方法，将其应用于各种不适定的图像增强问题，例如修复、超分辨率和语义编辑，并取得了优异的定量和定性水平。

Mar, 2022

在本文中，我们提出了一种新颖的对抗生成网络，可以准确地生成具有各种风格的逼真手绘草图，并通过定性和定量评估展示了我们在视觉质量、内容准确性和风格模仿方面的优势，其中应用于 SketchIME。

Jan, 2024

通过能量学习和借助 CLIP 进行跨域语义监督，我们的工作提出了一种使用单个用户素描控制 StyleGAN 图像的框架，该模型在合成数据集上的定量评估表明，与先前的方法相比，我们的方法在单次测试中性能显著提高，无需额外的训练数据和单个素描输入。

Oct, 2023

本研究提出了一种基于卷积网络的方法，实现将人脸照片转化为面部素描，并添加判别性正则化项提高生成的人物素描的可辨识度，该方法在多项基准测试中表现优于其他当前最先进方法。

Jan, 2015

通过自我监督学习实现数据增强，使用样本高保真度模型 Fine-tuning 编码器来提高人脸识别精度，在众多实验中经过对未标记数据集的预训练验证，得出这一自我监督策略在有限的标记数据训练数据上最为有效，对定制人脸识别任务以及面临隐私问题时可以行之有效。

Oct, 2022

通过 GAN Sketching 方法实现 GAN 模型的简化，即利用一个或若干草图改变 GAN 模型的权重，鼓励模型输出与用户草图匹配，同时保留原始模型的多样性和图像质量，实现了潜空间插值和图像编辑。

Aug, 2021

本文提出了一种个性化生成先验的方法，该方法可以显式地控制一组属性。我们在 MyStyle 的基础上构建，提出了一个新的优化系统，该系统对潜在空间进行组织，并提出一种损失，使其沿着一组特定方向对应于其属性的潜在代码。我们展示了我们的方法可以合成，编辑和增强个人图像，并对属性具有很好的控制，同时保留该个人的独特面部特征。

Jun, 2023

本文介绍了一个用于一次性 3D 肖像样式转移的框架，可以在仅需要一幅不同样式图像的情况下，生成具有几何和纹理风格的 3D 面部模型，而不是一整套相关样例。本文探索了两个阶段，以利用三位面部关键点转换来捕捉粗略的几何样式，并利用差分渲染器，在多视角框架下 对规范纹理进行样式转移。实验表明，我们的方法在不同的艺术风格上取得了稳健的结果，并优于现有的方法。

Apr, 2021