那些有趣的GAN合成图像项目(在线可操作)

最新推荐文章于 2025-03-28 10:34:20 发布
最新推荐文章于 2025-03-28 10:34:20 发布
阅读量7.6k 收藏 51
点赞数 11
文章标签： 人工智能 深度学习 神经网络 图像处理 计算机视觉
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/qq_36011385/article/details/108265767
版权
本文精选了多个基于GAN技术的图像合成项目，包括在线可操作的GANdissection、RewritingGANmodel、Artbreeder等，涵盖了从修改图像细节、合成多样化图像到一键现实转卡通等多种有趣应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

那些有趣的GAN合成图像项目(在线可操作)

本文介绍几个人工智能在图像合成上面的有趣应用，大家可以动起手来操作看看，可有意思了~

1. GAN dissection

G. A. N. D. Issection et al., “GAN DISSECTION: VISUALIZING AND UNDERSTANDING GENERATIVE ADVERSARIAL NETWORKS,” 2018.

在线操作链接 ：http://gandissect.res.ibm.com/ganpaint.html?project=churchoutdoor&layer=layer4
在用Progressive GAN合成的图像基础上对图像再进行修改，比如把教堂上面的尖顶改成圆顶，在合理的地方增加树，添加云等等。
GAN dissection页面

2. Rewriting GAN model

D. Bau, S. Liu, T. Wang, J.-Y. Zhu, and A. Torralba, “Rewriting a Deep Generative Model,” 2020.

在线操作链接：
https://colab.research.google.com/github/davidbau/rewriting/blob/master/notebooks/rewriting-interface.ipynb#

基于Progressive GAN, StyleGAN v2合成的图像，在此基础上根据用户的编辑，实现网络参数的修改，合成类似的图像。比如想让马戴上帽子，首先选中图像中有帽子的地方，把帽子粘贴到图像中马的头上。接着选中几张其它备选图像中希望马戴帽子的区域，然后就能生成更多戴着帽子的马的图像，下图为文章的示例：
Rewriting 例子1除了给马戴帽子，还有很多有趣的实验，比如改变马尾的大小，去除人像上的耳环，眼镜等。
Rewriting 例子2Rewriting 例子3
Rewriting 例子4Rewriting 例子5

3. Artbreeder

链接： https://artbreeder.com/create

可以合成各种各样的图像，比如，将指南针和鸟作为两个“基因”控制图像的合成，同时可以调整“基因”所占的比重；或者合成人像，可调整笑容，年龄，眼镜等的属性。除此以外，还有风景图，动漫图等的合成。有兴趣的朋友可以去试试看，合成一些有意思的图像。
Artbreeder

4. GauGAN

Park, Taesung, et al. “GauGAN: semantic image synthesis with spatially adaptive normalization.” ACM SIGGRAPH 2019 Real-Time Live!. 2019. 1-1.

链接 ： http://nvidia-research-mingyuliu.com/gaugan

自己动手画一幅风景画？只需在左边的窗口绘画物体的形状，就能随心创作一幅逼真的画！
GauGAN还可以在下面的一列图片选择不同的风格~有趣！
GauGAN2

5. Cartoonize

Wang, Xinrui, and Jinze Yu. “Learning to Cartoonize Using White-Box Cartoon Representations.” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020

链接： https://cartoonize-lkqov62dia-de.a.run.app/cartoonize

一键现实变卡通，可以上传自己的图片或者视频试试！
在这里插入图片描述

6. 汉字生成

Ha, David. “Recurrent net dreams up fake chinese characters in vector format with tensorflow.” (2015).

链接：https://otoro.net/kanji-rnn/

在这里插入图片描述

7. 简笔画合成 DoodlerGAN

https://arxiv.org/pdf/2011.10039.pdf

在这里插入图片描述

9. ArtLine图像转简笔画

这个虽然不是使用GAN合成的，但是用GAN实现应该也是可以的，所以还是放在这里。作者还强调：

Surprise!! No critic,No GAN. GAN did not make much of a difference so I was happy with No GAN.

github: https://github.com/vijishmadhavan/ArtLine

操作链接：https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine(AR).ipynb#scrollTo=1WfxvLQpoIfF

在这里插入图片描述

10. CoModGAN

对残缺图像进行图像填充

论文链接：https://arxiv.org/pdf/2103.10428
GitHub：https://github.com/zsyzzsoft/co-mod-gan
Demo：http://comodgan.ml/

Carmenliang
关注
Python实现GAN：生成逼真图像实战
AI天才研究院
05-22 1050
1. 背景介绍 1.1 图像生成技术的演进 从早期的像素艺术到如今的逼真图像，图像生成技术经历了漫长的发展历程。传统的图像生成方法主要依赖于手工设计规则和特征提取，例如纹理合成、图像修复等。然而，这些方法往往难以捕捉到图像的复杂结构和语义信息，生成的图像质量有限。 近年来，深度学习技
属性分解 GAN 复现 实现可控人物图像合成
叶庭云 成为自己的光
06-21 1009
属性分解生成对抗式网络（Attribute-Decomposed GAN） 是一种新颖的用于可控人物图像合成的模型，该模型可以生成具有预期人类属性（例如姿势、头部、上衣和裤子）的逼真人物图像，这些属性在各种源输入中提供。模型的核心思路是将人类属性作为独立代码嵌入到潜在空间中，从而通过在显式样式表示中进行组合和插值操作来实现对灵活而连续的人物图像合成的控制。...
[人工智能-深度学习-61]：生成对抗网络GAN - 图像融合的基本原理与案例
文火冰糖（王文兵）的博客
12-15 8776
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客 本文网址： 目录 第1章 什么是图像融合 1.1 什么是常规的图像合成 1.2 图像融合的系统框架 1.3 图像融合的案例 第2章图像融合涉及到的基本概念 第3章 图像融合的常见方法 3.1直接剪切粘贴技术（cut-and-paste) 3.2 Alpha融合 3.3 多频段融合 参考： 第1章 什么是图像融合 1.1 什么是常规的图像合成 图像融合（Image Fusion）是指...
co-mod-gan：大型图像修复新篇章
最新发布
gitblog_00791的博客
03-28 679
co-mod-gan：大型图像修复新篇章 co-mod-gan [ICLR 2021, Spotlight] Large Scale Image Completion via Co-Modulated Generative Adversarial Networks ...
[Deep-Learning-with-Python]GAN图片生成
热门推荐
Viking的博客
09-07 1万+
GAN 由Goodfellow等人于2014年引入的生成对抗网络（GAN）是用于学习图像潜在空间的VAE的替代方案。它们通过强制生成的图像在统计上几乎与真实图像几乎无法区分，从而能够生成相当逼真的合成图像。 理解GAN的直观方式是想象一个伪造者试图创造一幅伪造的毕加索作品。起初，伪造者的任务非常糟糕。他将他的一些假货与真正的毕加索混合在一起，并将它们全部展示给艺术品经销商。艺术品经销商对每幅画...
html5 项目案例_一些基于GAN的有趣的AI案例
weixin_28347369的博客
12-01 297
1.使用深度学习为黑白自然照片上色 - colorization原始黑白照片AI上色人工上色虽然还达不到人工上色的水平，但也是非常不错了。项目网址：http://richzhang.github.io/colorization/项目演示：https://demos.algorithmia.com/colorize-photos2. 使用深度学习为黑白自然照片自动上色 - autocolorize项...
神经网络有趣案例_海量案例！生成对抗网络（GAN）的18个绝妙应用
weixin_39561004的博客
11-23 3545
全文共6531字，预计学习时长13分钟图片来源：pexels.com/@gravitylicious生成对抗网络（GAN）是生成模型的一种神经网络架构。生成模型指在现存样本的基础上，使用模型来生成新案例，比如，基于现存的照片集生成一组与其相似却有细微差异的新照片。GAN是使用两个神经网络模型训练而成的一种生成模型。其中一个称为“生成器”或“生成网络”模型，可学习生成新的可用案例。另一个称为“判别器...
[深度学习 - 发现有趣项目] masking-gan 人脸生成笑脸表情
iamfishman
03-13 3619
参考代码来源于：https://github.com/tgeorgy/mgan 人脸生成笑脸表情 1、有趣的项目 之前没事会经出翻github看项目，也会发现很多有趣的项目。迫于没什么时间，就过一眼就关了。 所以就特地开了这个发现有趣项目的板块，想有时间的时候就把这些有趣的项目记录下来。但刚开始写之后，翻github就想找有趣的项目，却怎么也找不到。（amazing！????） 所以我就换了个思路。平时没事我也会经出刷抖音，过一段时间就会有新出的特效什么的，其实就很有意思。而这些实际上都是用深度学习实现的
基于GAN的合成医学图像增强技术可提高CNN在肝脏病变分类中的性能
qq_38038430的博客
03-20 1221
GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification 利用GAN架构来合成高质量的肝脏病变ROI 医学成像领域的最大挑战是如何处理小的数据集和数量有限的带注释的样本，尤其是在采用需要标记数据和进行大量培训的监督机器学习算法时。 最常见的数据增强方法包括对数据集图像进行简单修改，例如平移，旋转，翻转和缩放。 该数据集由182个门户阶段的二维CT扫描
基于CycleGan开源项目实战图像合成-TF2_tensorflow
09-19
在本实践教程中，我们将深入探讨“基于CycleGan开源项目实战图像合成-TF2_tensorflow”。CycleGAN（Cycle-Consistent Adversarial Networks）是一种先进的深度学习模型，主要用于无监督学习中的图像到图像转换任务。...
图像生成-使用StyleGAN训练生成网红脸图片-算法训练-优质项目实战.zip
10-20
在图像生成领域，StyleGAN被广泛应用于生成高质量的合成图像，例如用于人脸合成、汽车设计、风景绘画等。特别是随着社交媒体的兴起，生成具有网红特征的脸部图片成为了StyleGAN的一个有趣应用方向。通过对网红脸部...
Gan图像生成器-BigGan
10-13
丰富的背景和纹理图像的生成是各类生成模型追求的终极目标，ImageNet 的生成已然 成为检验生成模型好坏的一个指标。 在各类生成模型中，GAN 是这几年比较突出的，18 年新出的 SNGAN [1]、 SAGAN [2] 让 GAN 在 ImageNet 的生成上有了长足的进步，其中较好的 SAGAN 在 ImageNet 的128x128 图像生成上的 I n c e p t i o n S c o r e ( I S ) [3] 达到了 52 分。 BigGAN 在 SAGAN 的基础上一举将 IS 提高了 100 分，达到了 166 分（真实图片也 才 233 分），可以说 BigGAN 是太秀了
人工智能对抗生成网络之基于CycleGan图像合成源码解读
weixin_58351028的博客
02-18 769
以前判别器一般是经过卷积后传入sigmoid激活函数，直接得到0----1之间的数值。但这里判别器要多做一些事情了，这里判别器一般是经过卷积后不会连sigmoid激活函数或全连接层，而是经过卷积后得到特征图(例N*N*1的矩阵)，卷积后(例3*3)的感受野到原图像的某个区域(例3*3)的预测结果与标签(也是N*N)之间计算损失<即对每个Patch(即基于特征图某个点通过感受野见到原始图像中的某个区域预测结果)都要与输入进行判断(如果都是1就说明都是为真，很完美)，不是整张图判别>。
【延伸阅读】让老照片重现光彩（四）：《基于有条件GAN的高分辨率图像合成及语义操控》论文的中文译文
weixin_41943311的博客
11-24 2150
英伟达公司和加州大学伯克利分校于2018年发表的“基于有条件GAN的高分辨率图像合成及语义操控”项目，是本项目“让老照片重现光彩”的技术基础，算是一个前置开源项目。为了更好地理解本项目，我们在这里分享了《基于有条件GAN的高分辨率图像合成及语义操控（High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs）》论文的中文译文，供大家参考、学习。 英文原文的下载地址：https://arxiv.org/abs
gan图片生成
lunhuicnm的博客
11-21 414
【代码】gan图片生成。
【GAN图像生成】使用GAN（生成对抗网络）进行图像生成
Danger的博客
02-08 4788
使用GAN（生成对抗网络）进行图像生成
使用GAN生成图片
weixin_30872157的博客
05-30 2073
一：卷积神经网络的搭建 class NetG(nn.Module): ''' 生成器定义 ''' def __init__(self, opt): super(NetG, self).__init__() ngf = opt.ngf # 生成器feature map数 self.maina...
（2021，FastGAN）用于高保真 few-shot 图像合成的更快、更稳定的 GAN 训练
qq_44681809的博客
05-31 3042
为了减小 GAN 的 few-shot 图像合成的计算成本，作者提出一种轻量化 GAN 结构（FastGAN），包含：一个跳跃层通道激励，一个作为特征编码器的自监督鉴别器。
SIGGRAPH 2022 | 基于GAN的新动作合成
idol24的博客
05-12 1274
来源机器之心 编辑：杜伟、陈萍酷炫的神经动作合成技术，单个序列就能完成。生成逼真且多样化的人体动作是计算机图形学的长期目标。对于动作建模和合成来说，研究者通常使用概率模型来捕获有限的局部变化或利用动作捕捉（mocap）获得的大型动作数据集。在阶段设置（stage-setting）和后期处理（例如，涉及手动数据清理）中，使用动作捕捉系统捕获数据的成本很高，并且动作数据集...
GAN图像融合matlab
02-24
### 使用 MATLAB 实现 GAN 图像融合 #### 背景介绍 生成对抗网络 (Generative Adversarial Networks, GANs) 是一种强大的工具，在图像合成、风格迁移等领域表现出色。通过训练两个相互竞争的模型——生成器和判别器，GAN 可以创建逼真的新数据样本。 对于图像融合任务而言，GAN 的目标是从多个源图像中提取有用的信息并将其组合成一个新的综合图像。这种方法不仅能够保留原始输入的关键特性，还能引入新的视觉效果[^1]。 #### 准备工作 为了在 MATLAB 中构建 GAN 进行图像融合，首先需要安装 Deep Learning Toolbox™ 和 Image Processing Toolbox™。这两个工具箱提供了必要的函数和支持来定义复杂的卷积架构以及处理多维数组形式的数据集。 #### 构建基本结构 下面展示了一个简化版的 DCGAN（Deep Convolutional Generative Adversarial Network），它适用于简单的二值化图片操作： ```matlab % 定义超参数 latentDim = 100; % 隐空间维度大小 numFiltersGen = 64; numFiltersDiscrim = 64; % 创建生成器网络 generatorLayers = [ featureInputLayer(latentDim,'Name','random') fullyConnectedLayer(8*8*numFiltersGen,'WeightLearnRateFactor',0.01,... 'BiasLearnRateFactor',0.01,'Name','fc') leakyReluLayer(0.2,'Name','leakyrelu_fc') reshapeLayer([8 8 numFiltersGen],'Name','reshape') transposedConv2dLayer(5,numFiltersGen/2,'Stride',2,'Cropping',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','transconv_1') batchNormalizationLayer('Name','bn_transconv_1') leakyReluLayer(0.2,'Name','leakyrelu_transconv_1') transposedConv2dLayer(5,numFiltersGen/4,'Stride',2,'Cropping',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','transconv_2') batchNormalizationLayer('Name','bn_transconv_2') leakyReluLayer(0.2,'Name','leakyrelu_transconv_2') transposedConv2dLayer(5,3,'Stride',2,'PaddingSize',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','transconv_out') tanhLayer('Name','tanh')]; % 创建判别器网络 discriminatorLayers = [ imageInputLayer([64 64 3],'Normalization','none',... 'Name','imageinput') convolution2dLayer(5,numFiltersDiscrim,'Stride',2,'PaddingSize',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','conv_1') leakyReluLayer(0.2,'Name','leakyrelu_conv_1') dropoutLayer(0.3,'Name','drop_conv_1') convolution2dLayer(5,numFiltersDiscrim*2,'Stride',2,'PaddingSize',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','conv_2') leakyReluLayer(0.2,'Name','leakyrelu_conv_2') dropoutLayer(0.3,'Name','drop_conv_2') convolution2dLayer(5,numFiltersDiscrim*4,'Stride',2,'PaddingSize',[1 1],... 'WeightLearnRateFactor',0.01,'BiasLearnRateFactor',0.01,... 'Name','conv_3') leakyReluLayer(0.2,'Name','leakyrelu_conv_3') dropoutLayer(0.3,'Name','drop_conv_3') fullyConnectedLayer(1,'WeightLearnRateFactor',0.01,... 'BiasLearnRateFactor',0.01,'Name','fc') sigmoidLayer('Name','sigmoid')]; ``` 这段代码展示了如何设置生成器与判别器的基础层配置。实际应用时还需要进一步调整参数以适应特定的任务需求，并编写完整的训练循环逻辑。 #### 训练过程概述 - 初始化权重：采用 Xavier 或 He 初始化策略初始化所有可学习参数。 - 数据预处理：标准化输入图像尺寸至固定分辨率；如果必要的话还可以做颜色通道转换等额外处理。 - 批次迭代更新：交替优化生成器和判别器的目标函数直到收敛为止。 - 测试评估：定期保存中间结果以便观察进展状况，并最终挑选最优模型版本用于后续部署。 #### 注意事项 当涉及到更复杂的应用场景比如跨模态图像融合时，则可能需要用到更加先进的变体如 CycleGAN 或者 StarGAN 来解决域间差异带来的挑战。
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
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