
风格迁移
文章平均质量分 94
风格迁移
安逸 i
前:Java全栈开发工程师
现:人工智能研究生
主要研究方向是图像修复和图像超分
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
风格迁移-CVPR2020-StarGAN v2: Diverse Image Synthesis for Multiple Domains
StarGAN V2的出发点来自于StarGAN中使用的编码是一些固定的01编码,是不可学习,而StarGAN V2则在风格编码做出来改进,将风格编码初始化成向量,同时也可以通过原始输入图像来生成风格编码,而生成风格编码的网络是可学习的,使的风格更加的差异化,并且生成的图像风格更加准确。模型设计主要流程上并没有做出改动,主要在于损失函数的改动。理解损失函数也是掌握对抗生成网络的关键。原创 2024-09-22 11:59:32 · 1021 阅读 · 0 评论 -
风格迁移-CVPR2020-Analyzing and Improving the Image Quality of StyleGAN
StyleGAN V2是 2020 年 NVIDIA 提出的生成对抗网络(GAN)模型的改进版本,进一步提升了图像生成的质量和稳定性。与初代 StyleGAN 相比,StyleGAN V2 针对一些问题进行了优化,尤其是在生成高质量图像时的伪影问题(artifacts)和多尺度细节的处理。在介绍StyleGAN V2之前,需要对于初代StyleGAN有一定的了解,先介绍一下SytleGAN初代版本。原创 2024-09-24 10:36:28 · 1141 阅读 · 0 评论 -
风格迁移-CVPR 2022-StyTr 2 : Image Style Transfer with Transformers
StyTr的核心创新在于将Transformer应用到图像风格迁移任务中。传统的风格迁移方法多基于卷积神经网络(CNN),而StyTr引入了Transformer的注意力机制,能够捕捉图像的全局依赖关系,并在迁移过程中实现更细腻的风格融合。原创 2024-10-11 09:58:10 · 1922 阅读 · 1 评论