【图像翻译GAN】我家那只蠢猫更像狗子还是更像虎哥?让AI模型来看看

Contrast GAN--- 实现CycleGAN无法实现的“眼一瞎, 猫变狗”,“手一抖,单车变摩托” 猫变狗的语义GAN生成 阅读详情

bb9b883f20a174a87322cb132f029af1.png

前言

当忠诚的狗狗与凶猛的大老虎进行身份交换

老虎看起来也并没有那么凶残

甚至多了几分可爱

当可爱的猫咪与大老虎发生变换

猫猫的眼神里也多了几分坚定

而且充满了凶猛的气息

765e34e274443c43c2620b9b731ed624.png

f166e1ad05886b6486bc9660cd6f9605.png

这是什么神仙操作?

它叫图像翻译!

凡是从一张图变成另外一张图的操作

都可以用它来实现!

马变斑马

白天变黑夜

橘子变苹果

这简直就是P图的大神器

这就是图像翻译与风格化领域

背后的核心技术自然就是GAN啦

33bb5fbd7feffb10c07094d49f612d90.png

图像翻译与风格化包含的方向非常多,因为从图像到图像的任务都可以称之为图像翻译任务,如经典的图像分割/边缘检测,图像超分辨率/图像风格化,如今基于GAN的模型可以实现众多非常有趣的应用,比如人脸属性编辑,进行精确的人脸化妆实现千人千面的美妆效果。

d5c2c537b6ea1cb9365c287c851e99ec.gif

为了帮助大家系统性解决所有图像翻译与风格化GAN领域知识的学习,我们推出了《深度学习之图像翻译GAN-理论实践篇》专栏课程。课程的第一阶段内容已经更新完毕,本课程结合实际项目,将所学理论应用于实践。

6fe01d02c5dc3979c9a3aba3ed30c370.png

深度学习之图像翻译与风格化

本课程内容包括图像翻译的核心领域的算法与实践,当前时长约7个小时,理论讲解详细,案例丰富,下面是当前课程的大纲脑图:

1fca388b4be4cf33a201ed946835ddea.png

(1) 理论知识充足:涵盖了深度学习之图像翻译的核心方向,如有监督图像翻译模型,无监督图像翻译模型,多域图像翻译模型。我们会非常详细地讲解算法中的细节,帮助彻底消化算法原理;并且后续还会有更多模型的更新。

(2) 实践非常丰富:本次课程中一共已经包含了3个实践案例,分别为基于Pix2Pix的黑白图像上色实战,基于StarGAN的人脸表情编辑实战,基于BeautyGAN的人脸美妆实战,后续还会增加其他方向的实战。部分案例图如下:

9bf6060cbeca1846b2b51a0f50116585.gif

下面简单了解一下各部分的内容:

(0) 课程简介,包括课程介绍。

(1) 图像翻译与风格化基础,包括图像翻译问题以及模型划分介绍,约11分钟,本小节内容可以免费收听。

cbabc8cd54fd9de2eaa8b8883f652777.png

bac939868405bce0e6e41ba23b594b70.png

(2)有监督图像翻译GAN模型Pix2Pix详解,包括原理详解与结果分析,约21分钟,本小节内容可以免费收听,后续还会增加其他有监督GAN模型讲解,如Pix2PixHD,Vid2Vid。

73f95f9b6a9bdfc1782c9f7ab4506be1.png

4d682a307dbb80ff1a719b5c807e3da9.png

(3) 无监督图像翻译GAN模型CycleGAN详解,包括原理详解与结果分析,约27分钟,后续还会增加其他无监督GAN模型讲解,如CycleGAN的改进,UNIT。

abda496966cae67fb39a36fa3a184ee4.png

a5c3ac156c78ea0e326cca754e242346.png

(4) 基于Pix2Pix的黑白图像上色实战,包括数据获取与整理,模型搭建,模型训练,模型测试,约100分钟。

8922f67367acae5d35bc802e07946bb7.png

c36219bde20ab21de6ed32f6b6d3c006.png

beb8da40dce4fa8cbb1a9d4a1831e59e.png

(5) 多域图像翻译GAN模型,StarGAN v1,StarGAN v2讲解,包括原理详解与结果分析,约50分钟。

0dd2a5b8b469a59e5ad2d6cec31b28ac.png

f1fd353a27d34fed3c7c82fb94d82d98.png

(6) StarGAN人脸表情编辑实战,包括数据获取与整理,模型搭建,模型训练,模型测试,约70分钟。

7b5843ef20d6399f7c522a6859d98d45.png

b9e5d0d39c484603e3b20bbce3bf1848.png

4941179a929dfc9ac81ca75dbbd7da88.png

(7) BeautyGAN人脸美妆实战,包括数据获取与整理,模型搭建,模型训练,模型测试,约120分钟。

561268365f153fd4ecb461b2cdeccf6a.png

bf17c2d9955b726ca7bf31d8c537484f.png

62d293368f7f604347e86b2934b13ae0.png

cf4f9125ddc18cf592d0f13dc20a0bfe.png

一个案例展示如下:

64ba3aa536e653c5e5b2a9f63b3ea52d.gif

本课程适合人群:

(1) 所有学习人工智能/深度学习算法,并有志于从事该领域的人员。

(2) 掌握了Python,深度学习基础概念等预备知识的技术人员。

(3) 学习与从事计算机视觉领域的技术人员。

学习完本课程你将掌握:

(1) 图像翻译GAN的核心算法。

(2) 熟悉Pytorch项目实践。

(3) 掌握计算机视觉项目的完整流程。

课程讲师介绍

本课程讲师为龙鹏,笔名言有三,技术社区《有三AI》创始人。先后就读于华中科技大学(2008-2012),中国科学院半导体研究所神经网络实验室(2012-2015),先后就职于奇虎360人工智能研究院(2015.7-2017.5),陌陌科技深度学习实验室(2017.5-2019.3),深度学习算法专家,阿里云MVP,华为云MVP。

c7b480d23033c0e4965c7e2e4e3c7e7f.png

拥有超过7年的计算机视觉从业经验,拥有丰富的传统图像算法和深度学习计算机视觉项目经验,著有书籍《深度学习之图像识别:核心技术与案例实战》(机械工业出版社2019.4),《深度学习之模型设计:核心算法与案例实践》(电子工业出版社2020.6),《深度学习之人脸图像处理:核心算法与案例实战》(机械工业出版社2020.7),《深度学习之摄影图像处理:核心算法与案例精粹》(人民邮电出版社2021.4),拥有10余项发明技术专利与学术论文。

擅长领域:Caffe,Tensorflow,Pytorch等主流深度学习平台。神经网络与深度学习理论,深度学习模型设计与优化,计算机视觉的基础领域,AI美学,2D与3D人脸算法,生成对抗网络GAN等领域。

如何获取本课程

订阅本课程的方法有两个:

其一:参加有三AI-CV秋季划GAN,不仅可以获得所有GAN相关的课程,还可以获得私人一对一答疑与书籍,知识星球赠送,以及在有三AI团队参与企业项目研发的权限。

有三AI-CV秋季划介绍与订阅方式如下:【CV秋季划】生成对抗网络GAN有哪些研究和应用,如何循序渐进地学习好?

cf67739914757637bbb54834227b3489.png

其二:单独订阅《深度学习之图像翻译-理论实践篇》专栏课程,本专栏定价为199,随着后续内容增加可能会进行价格调整,感兴趣的请提前订阅,相关课程还有《深度学习之图像生成-理论实践篇》专栏,订阅链接如下:

【视频课】生成对抗网络经典任务,详解基于GAN的图像生成算法!

7bf4b866df35b5e6e9649b7f32510e4e.png

a5c19608b8258dcfa8d1c99e25a8a5da.png

课程特别说明:

(1) 课程设有多个试看章节,可供学员试看

(2) 课程实战项目部分会提供相应实战代码及数据集(关于课程代码及数据获取,请学员查阅课程目录中链接)

47c6c9b911d03256049bac3c67e311ee.png

(3) 课程设有技术交流群,供学员技术交流

5299f65fe4de43c36e705c845d4866b8.png

如果你对课程感兴趣,需要咨询上述课程,可以添加“有三AI小助手”微信号,微信号为坨坨瑜,微信二维码如下:

fa9340eae42296c2d934016c781866ed.png

同时欢迎在深度学习领域有沉淀积累的同学加入有三AI生态,让更多人受益!

cae675ef014d423f79b32fd6d77cd858.png

13d2d1c68d4d8971f1596318c1a63d50.png

6f299c557101f5aaafac830e59d24e64.png

往期相关

自动配胶机的PLC控制系统设计 我们根据自动配胶机的控制需求,编写了相应的PLC程序。PID温度控制算法的实现方面,我们采用了经典的PID控制算法,通过不断调整加热器的功率,实现对胶水混合温度的精确控制。在PLC程序中,我们编写了PID控制算法的程序模块,通过实时采集温度传感器的数据,计算温度偏差和偏差变化率,并根据PID控制算法计算出加热器的功率输出值,实现对温度的精确控制。在系统调试阶段,我们对自动配胶机的各个部分进行了详细的测试和调试,包括气路和液路的开关测试、传感器的精度测试、步进电机的位置和速度测试以及PLC程序的逻辑测试等。 阅读详情

相关推荐

OpenMontage:AI代理驱动的端到端视频生产系统实战指南

在当今内容创作领域,自动化视频生成技术正成为提升生产效率的关键。其核心原理在于通过智能体(Agent)架构,将复杂的视频制作流程拆解为可被AI理解和执行的标准化任务,从而实现从创意到成片的端到端自动化。这项技术的核心价值在于大幅降低了专业视频制作的门槛,使非专业用户也能快速产出具有一定专业度的内容。其典型应用场景包括社交媒体短片、产品演示、知识科普视频的批量生产。OpenMontage正是这一技术理念的杰出实践,它构建了一个完整的代理驱动视频生产系统,将AI编码助手转变为能自主规划并执行脚本撰写、素材检索、

weixin_35757191的博客 649

生成对抗网络GAN(七)StyleGAN应用之这些猫咪不存在

一、引言 今天介绍一个大型撸猫建站过程,即这些猫咪不存在:http://thesecatsdonotexist.com/ 二、正文 在AWS SageMaker上使用StyleGAN生成猫 AWS Sagemaker是亚马逊的机器学习训练平台,链接:https://aws.amazon.com/cn/blogs/aws/sagemaker/。 2.1 作者介绍 最近,我本人和斯蒂芬·莫特(Stephen Mott)致力于承担NVIDIA Labs所做的一些出色工作,并尝试以更实用,更有.

zhaoguanghe的博客 1462

自学ROS完成智能小车路径规划(一)--配置功能包

此系列文章记录本人学习ros的过程,将会尽可能详细以便自己能够看懂 参考系列:古月居老师,优快云,ROS tutorials,科大讯飞智能车竞赛线上赛 本文章的目标: 比较全局路径规划算法中A*算法与Dijkstra算法在该地图场景下的规划与运行时间 比较局部路径规划算法中DWA算法与TEB算法在该地图场景下的规划与运行时间 在同等参数条件下选择出各自适合的算法进行融合,经过比较,我将选择dijkstra算法作为全局路径规划算法,TEB算法为局部路径规划算法 第一步,按照科大讯飞的教程配置文件 科大讯

weixin_42621524的博客 9366

英伟达对小猫咪下手了!StyleGAN生成猫片“笑果”惊人

晓查 发自 家中量子位 出品 | 公众号 QbitAI英伟达去年推出的StyleGAN,生成的人脸让网友惊呼“太逼真了”。前几天,英伟达官方又公布了源代码。英伟达最初用F...

量子位 2127

S7-200SMART系列全套接线说明

SMART200接线方法,输入,输出,模拟量,面板,扩展糟等,并且详细说明接线原理。

文都龙哥 1万+

使用 ABAP 代码动态创建新的 Function Module

通过内表。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 6917

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 354

如何利用通达信进行选股集合操作

每个交易者实际上都有自己的选股策略,这是必然的,也会有自己的主观干预,但是还是需要从客观热点股票进行一个比对的,才能说主观和客观相结合不至于​偏离方向。 这几天我也发了节前最后一天我的选股策略盘中的选择结果, 我也从网上拿到了热点股票池,当拿到之后你会发现如何从几十个股票热点股票选出核心票,这就是个问题了,这里面一定要通过股价涨跌幅来进行过滤,而不是通过指标,因为一切指标都是根据价格变化而改变的了,所以​这一步不要走弯路。 1、把拿到的热点股票名单,导入通达信自定义板块 2、删除

抢财猫股票课堂 2584

把 KV Cache 压到 FP4:BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上,而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构,在B300上把服务吞吐提升2.4–3.0倍,精度几乎不掉。

helloagent的博客 312

【PCIe 总线及设备入门学习专栏 6.1 -- PCIe MCTP】

MCTP 是由 DMTF(Distributed Management Task Force)定义的协议,用于提供设备和主机间基于不同传输层(如 PCIe、I²C、USB 等)的管理消息通信能力。在 PCIe 环境下,MCTP 消息作为的一种特殊形式传输,并被赋予唯一的 VDM Code 值0000b,以区别于其他 VDM。MCTP 在 PCIe 环境中作为一种基于 Type 1 VDM 的管理通信协议,提供了设备与主机之间的灵活数据传输能力。

CodingCos的博客 2130

别白忙活!EAAI投稿避坑指南:5条红线碰就拒,工程应用重点划重点

EAAI投稿避坑指南:5条红线与工程应用要点 投稿《Engineering Applications of Artificial Intelligence》(EAAI)需特别注意5条红线,否则直接拒稿:1)避免提出新隐喻元启发式算法,应聚焦具体工程应用;2)摘要须明确区分AI贡献与工程应用;3)标题和摘要禁止使用未定义缩写;4)必须采用单栏格式;5)关键词不能包含缩写。此外,论文需突出AI方法在工程实践中的创新与落地价值,建议补充实际工程数据、部署成本分析和与传统方法的对比。投稿前务必逐项核查这5条要求,以

ZhangJiqun&191cm&85kg 3240

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 333

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 606

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

优选算法:分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 148

算法日常・每日刷题--<动态规划>42

本题为“不相交的线”,与最长公共子序列问题相似。使用动态规划求解:定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等,则继承左上值加1;否则取上方或左方最大值。最终返回 dp[m][n],即两数组的最大不相交连线数。时间复杂度 O(mn),空间复杂度 O(mn)。

2503_92261635的博客 24

408 算法 06|堆与 Top-K:最小的 10 个数,到底该用数组还是堆

2022(42) 找 100 万个数里最小的 10 个,官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数:k=10 时两者几乎打平,k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。

m0_56226131的博客 440

408 算法 04|主元素与三元组最小距离:两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选,但真正的考点是"选完必须验票";2020(41) 的三元组最小距离,三指针每次只挪最小的那个,靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出,附官方评分档位表。

m0_56226131的博客 426

牛客周赛165C题(前后缀性质,递推,排序,枚举)

题目大意:给定长度为 `n` 的数组,选择 `k ∈ [1,n]`,将前 `k` 个元素整体翻转,后面的元素不变。要求操作后的整个数组非递减,统计满足条件的 `k` 的数量。题目链接:https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度:O(nlogn)

2501_94316951的博客 174

算法64,字母异位词分组

代码核心思路是:互为字母异位词的字符串,在对其字符进行排序后,一定会得到相同的字符串。因此,可以将排序后的字符串作为哈希表的键(Key)来进行分组。

sheshibenniaodan的博客 203

【MPC 算法】Python 实战:模型预测控制(MPC)算法原理与代码实现

本文介绍模型预测控制(MPC)原理与Python实现。MPC通过滚动优化预测未来状态,结合系统模型、目标函数与约束条件,动态生成最优控制序列。以一阶温度系统为例,使用CVXPY构建凸优化问题,实现加热功率的智能调控。代码包含模型预测、目标函数设计(含温度跟踪与控制平滑惩罚)、输入约束及滚动更新机制。仿真结果表明,MPC能快速稳定温度至目标值60℃,且控制动作平滑合理,体现其在复杂系统中的优越性。

赖德发的博客 51

算法61,判定是否为字符重排

两字符串能互为重排 ⇔。

sheshibenniaodan的博客 223

算法日常・每日刷题--<动态规划>32

给定严格递增的正整数数组,求最长斐波那契子序列长度。使用二维DP,dp[i][j]表示以arr[i]、arr[j]为最后两项的序列长度,初始化均为2。通过哈希表快速查找前一项target = arr[j] - arr[i],若存在且下标小于i,则状态转移:dp[i][j] = dp[k][i] + 1。遍历更新全局最大长度,最终若结果小于3则返回0。时间复杂度O(n²),空间复杂度O(n²)。

2503_92261635的博客 181

【前缀和+复合离散化】题解:双色矩形(two)_数据结构_算法优化_预处理_二维前缀和_STL_C++算法竞赛

给定一个 $n \times n$ 的黑白棋盘,初始按 $i+j$ 奇偶染色,经 $k$ 个格子颜色翻转后,求子矩形中黑白格子数差的绝对值最大值。由于 $n$ 可达 $10^9$,但 $k \leq 50$,可离散化关键点。枚举所有由修改点构成的矩形及其四边向外扩展(共 $16$ 种扩展方式),利用二维前缀和快速计算变化量,结合奇偶性判断多出的格子颜色,最终取最大绝对差。时间复杂度为 $O(k^4)$,在 $k \leq 50$ 下可行。

YLCHUP的博客 205

算法札记:几何分布在算法题UVA1262的运用

集卡问题求解核心:将集齐n种优惠券的过程分为n个阶段,每个阶段期望购买次数为 $ \frac{n}{k} $(k为剩余种类数),总期望为 $ n \cdot H_n $(调和数)。通过自洽方程推导单阶段期望,无需几何分布或无穷级数,逻辑清晰且适用于大一水平。例如,n=5时期望约11.42,非5。题目要求以带分数形式输出精确结果,算法上需累加分数并化简。

Keven_11的博客 375

算法62&&63,存在重复元素

判断整数数组中是否有任意元素出现至少两次。:判断数组中是否存在两个。,且索引差值的绝对值。

sheshibenniaodan的博客 100

商业综合体公摊电费分摊算法:512 商户双层权重与尾差实测

公摊电费分摊算法是指把公共回路电量按公示权重拆到每户的规则化计算过程,核心不是权重多精巧,而是每张账单都能被租户手算复现。某珠三角商业综合体 512 户商户实测:固定费与变动费按 4:6 加权,尾差用余数递补压到 0.01 千瓦时精度,24 个月 12288 张账单重算差异为零,月度争议从 31 起降到 2 起。适用边界:商铺与租户已独立装表、公共回路已分项计量的商业综合体适用;末端未装表、靠总表减合计倒推公摊的场景不适用,先把表补齐再谈分摊。

173
上一篇: 【语音处理】时域信号处理利器再回顾:傅里叶变换
下一篇: 【总结】玩转深度学习模型分析+设计+优化+部署4重境界,如何规划学习!
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值