深度生成模型之图像翻译GAN -＞（个人学习记录笔记）

已于 2024-03-14 19:07:48 修改
阅读量741 收藏 5
点赞数 18
分类专栏： 机器学习 文章标签： 生成对抗网络 学习 笔记
于 2024-01-02 16:50:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Slience_me/article/details/135344572
版权

文章目录

深度生成模型之图像翻译GAN

图像翻译的应用

1. 风格迁移

  • 各类风格化应用

20240102161501586

2. 数据增强

  • 仿真数据，增强数据的多样性

在这里插入图片描述

3. 经典图像任务

  • 图像上色，图像分割，边缘检测，图像增强，超分辨，图像修复等

在这里插入图片描述

4. 内容创作

  • 交互式图像生成，图像编辑

在这里插入图片描述

5. 人脸图像编辑

  • 人脸表情，年龄，妆容，身份编辑，动漫风格化等

6. 人体图像编辑

  • 虚拟试衣，动作迁移等

在这里插入图片描述

图像翻译模型

1. 有监督图像翻译模型

  • Pix2pix，输入为图片，输出为图片，条件也是图片，需要成对的图片/标签数据进行训练

在这里插入图片描述

  • Pix2pixHD，使用多尺度生成高精度结果(2048×1024)

2. 无监督图像翻译模型

  • Couple-GAN，获取两个域的联合分布

在这里插入图片描述

  • UNIT，使用两个编码器将不同域的样本X1和X2映射到共享潜在空间z，然后分别输入生成器和判别器

在这里插入图片描述

  • CycleGAN，循环GAN

在这里插入图片描述

  • CycleGAN工程技巧

在这里插入图片描述

  • 与CycleGAN近似等价的其他结构，DualGAN，DiscoGAN，XGAN

在这里插入图片描述

3. 多域图像翻译模型

  • StarGAN，多域之间的转换

在这里插入图片描述

  • 部分内容来自阿里云天池
slience_me
关注
  • 18
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
综述：基于GAN的图像翻译模型盘点
Paper weekly
09-02 1738
作者丨薛洁婷学校丨北京交通大学硕士生研究方向丨图像翻译图像翻译（Image translation）是将一个物体的图像表征转换为该物体的另一种图像表征，也就是找到一个函数...
深度生成模型之数据生成GAN -＞（个人学习记录笔记）
slience_me的博客
01-02 576
深度生成模型之数据生成GAN
深度生成模型之GAN的评估 -＞（个人学习记录笔记）
slience_me的博客
01-02 499
深度生成模型之GAN的评估
CVPR2021论文--深度学习GAN&&图像处理--论文笔记
OpenSceneGraph的博客
06-23 1030
/1 Image-to-image Translation via Hierarchical Style Disentanglementpaper：https://arxiv.org/abs/2103.01456code：https://github.com/imlixinyang/HiSD /2 Encoding in Style: a StyleGAN Encoder for Image-to-Image Translation (样式编码：用于图像到图像翻译的StyleGAN编码器)pa...
深度学习（4）---生成式对抗网络(GAN)
m0_62881487的博客
10-29 2157
生成式对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。它启发自博弈论中的二人零和博弈（two-player game），两位博弈方分别由生成模型（generative model）和判别模型（discriminative model）充当。判别模型用于判断一个给定的图片是不是真实的图片（从数据集中获取的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。两个模型一起对抗训练。
【论文笔记】GAN-circle：从低分辨率图像生成高分辨率图像的半监督GAN模型
zuzhiang的博客
04-09 5752
本文是关于论文《CT Super-resolution GAN Constrained by the Identical, Residual, and Cycle Learning Ensemble (GAN-CIRCLE)》的阅读笔记，本来是想看有关cycle-GAN 的内容，但是错找成了 GAN-Circle 的论文。 一、研究背景 GAN-Circle 是一个半监督的深度学习网络，用来从低...
深度学习GAN生成对抗网络入门--李宏毅网课笔记
qq_43426078的博客
03-03 508
Class one GAN网络基本思想 由生成模型（generator）和判别模型（discriminator）组成。 generator接收输入向量，输出图片或文字。 discriminator接收输入的图片或文字，输出scalar，scalar越大说明输入越真实。 算法过程 fix generator ,and update discriminator D： 标记database中的图像为1，generated objects为0来训练D。使得判别模型能够给实际对象较高的分数，而给生成对象较低的分数。
深度学习：生成式模型学习笔记
qq_43711697的博客
07-05 3662
前言 本文主要记录在学习生成式模型时的一些关键知识点以及学习过程的笔记，若有错误之处还望指出并谅解。 一、生成模型 基于深度学习的生成式建模的方法主要有AE、VAE、GAN这三大种，其中VAE是基于AE的基础上进行变形的生成模型，而GAN是近年来较为流行并有效的生成式方法。 自编码器(AE)：AE主要由编码器和解码器组成，整个模型其实就相当于一个压缩解压的一个过程，编码器将真实数据进行压缩到低维隐空间中的隐向量，然后解码器将压缩的隐向量进行解压得到生成数据，当然在训练过程中会将生成数据和真实数据进行比较并
两种基于深度学习的图像增强算法——EnlightenGAN和Zero-DCE
m0_63793573的博客
12-05 2285
这里是我读的两篇使用深度学习算法来增强图像亮度的论文的笔记
MATLAB的var模型代码-VAE-GAN-CelebA:与论文相关的代码和笔记本：VanRullen＆Reddy撰写的“使用深度生成神经网
05-23
MATLAB的var模型代码VAE-GAN-CelebA 与本文相关的Python代码：VanRullen＆Reddy（2019） 该文件夹包含： 一个（在CelebA数据集上约15个时期= 50,000个批次的64张图像） VAE-GAN人脸分解/重建模型的一组.py函数，尤其...
steam-stylegan2-ada:在协作实验室上训练StyleGAN2-ADA模型以生成Steam标语
05-24
深度卷积GAN的无监督表示学习。 ICLR 2016。 正式执行 应用于Steam标语 StyleGAN： Karras，Tero等。 生成对抗网络的一种基于风格的生成器体系结构。 CVPR 2019。 正式执行 应用于Steam标语 St
最全面的 深度学习 笔记【土堆 Pytorch】【李沐 动手学深度学习】【吴恩达 深度学习】
05-16
3. **实战项目**：通过多个实际项目，如图像分类、自然语言处理和生成对抗网络（GAN），帮助学习者将理论应用到实践中。 4. **高级主题**：包括迁移学习、模型部署和优化技术，帮助学习者掌握深度学习的前沿知识和...
wasserstein-gan:Wasserstein GAN纸的PyTorch实现
05-18
在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的...
Arxiv-Daily:我的每日Arxiv阅读笔记
04-01
这导致我们生成的模型的性能不会在更早的深度就达到饱和，例如，在没有外部数据的情况下进行训练时，我们在Imagenet上获得86.3％的top-1准确性（Facebook，DeiT团队） 然而，发现语义上有意义的潜在操作通常涉及艰苦...
如何学习Golang语言!
FengyangCoder的博客
06-09 458
起源与设计哲学：Go语言由Robert Griesemer、Rob Pike和Ken Thompson三位Google工程师设计，旨在解决现代编程中的一些常见问题，如编译速度、运行效率和并发编程。主要特点：Go语言的语法简单、编译速度快、运行效率高，支持静态类型和内存安全，具有垃圾回收功能，并且原生支持并发编程。
扩展学习|风险管理的文献综述汇总（持续更新向）
weixin_63253486的博客
06-10 791
本片博客主要介绍风险管理领域本人所看到的一些有意思的文章，并就风险管理领域的相关内容进行一个分享。
[ue5]建模场景学习笔记（5）——必修内容可交互的地形，交互沙（3）
qq_40128113的博客
06-09 321
5.第一想法直接clear掉，但直接clear会把想要保留的痕迹一并去除，跑起来就没有痕迹！所以不行，要做一个转载，先把痕迹保留在一个载体上，清楚原来痕迹，用sandsave表示，再把这个载体的痕迹保存回原来rt，这样之前的痕迹被清空了，只留下了保存在载体上的部分，正好符合我们想要的部分。我们现在已经能够让这片地形出现在任意地方，只要角色走在这片地形上，就能够产生痕迹，但这片区域总是需要人工指定，又无法把这片区域无限扩大（显存爆炸），因此尝试使角色无论走到哪里都能产生痕迹。否则绘制不到画板上。
【电子信息工程专业课】学习记录
最新发布
共同进步！
06-12 286
- # **数字信号处理** * ## 离散时间信号与系统 + ### 周期延拓 一个连续时间信号经过理想采样后，其频谱将沿着频率轴以采样频率Ωs = 2π / T 为间隔而重复。 + ### 混频 各周期的延拓分量产生频谱交替的现象 + ### 奈奎斯特采样定理 fs > 2fh
生成模型都是zero-shot学习者
09-17
生成模型是指一类机器学习模型，其主要任务是根据已有的样本数据生成新的数据。而zero-shot学习是指在没有接受过相关任务的训练情况下，通过模型学习并完成该任务。因此，可以说生成模型都是zero-shot学习者。 生成...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

slience_me

你的鼓励将是我创作的最大动力

¥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