SinGAN是一种非条件生成模型，能从单幅自然图像中捕获内部块分布信息，生成多样且高质量的新样本。该模型采用全卷积金字塔结构，逐层学习图像不同尺度的分布，并能保持原始图像的结构和纹理。尽管SinGAN适用于复杂图像，但其内部学习限制了语义多样性。SinGAN的独特之处在于需对每张新图像进行单独训练，以生成与原图结构相似但不同的图像。
SinGAN：Learning a Generative Model from a Single Natural Image (用一张自然图片，学出一个生成模型) 。
ICCV 2019
论文
源码
这篇论文提出了一种可以从单幅自然图像学习的非条件生成模型–SinGAN，能够捕捉图像的内部块分布信息，生成具有相同视觉内容的高质量、多变的样本。SinGAN包含一个金字塔结构的全卷积GAN，每个GAN负责学习图像不同尺度的分布信息。因此可以生成具有任意尺寸和纵横比的新样本，这些样本具有明显的变化，同时又可以保持训练图像的整体结构和精细的纹理特征。与之前的单图像GAN方案对比，本文方法不局限于纹理图像，而且是非条件的（即从噪声生成样本）。大量实验证明SinGAN生成的样本具有较好的真实性，而且可以应用于多种图像处理任务中。
一. 整体框架图如下图所示：
二.多尺度结构及理解
SinGAN 包含金字塔结构的生成器和判别器，以及训练图像金字塔，其中训练图像金字塔
最低0.47元/天 解锁文章
扫一扫
1961
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
