最简单的转换图像样式的方法!

三个要点
✔️  一种简单的风格融合方法，只替换了GANs的层级
✔️  应用StyleGAN的理论
✔️  可以发展成复杂的融合

Resolution Dependent GAN Interpolation for Controllable Image Synthesis Between Domains
written by Justin N. M. Pinkney, Doron Adler
(Submitted on 11 Oct 2020 (v1), last revised 20 Oct 2020 (this version, v2))
Comments: Accepted at NeurIPS 2020 Workshop
Subjects: Computer Vision and Pattern Recognition (cs.CV); Image and Video Processing (eess.IV)
Paper Official Code Demo 

 

介绍

众所周知，GANs可以从训练数据中生成真实的图像。然而，将GANs用于完全的创造性和创造性的目的，比如做一个画家，这本身就很困难，因为它们基本上是学习训练数据的分布。

所以有一些研究领域的目的是控制艺术形象的生成能力。在这篇文章中，我们将向您展示一种技术，它可以让您生成一个全新的图像，并在对输出进行一定控制的同时，更具创造性。

通过在不同模型的参数之间进行插值，并依靠特定的图层分辨率，可以融合不同生成器的特征。这里介绍的技术的另一个特点是，它是用目前控制方法中最简单的一种技术来实现的。

技巧

综上所述，要做的研究只有三个。

1. 在基础数据集上训练GANs
2. 用转移数据集对1中学习的GAN进行转移训练
3. 1.2中创建的GAN的层交换（层交换）

• 
• 
• 

与本文相关的类别

• 图片识别
• 生成对抗网络(GAN)
• 图像2图像