GANILLA: Generative Adversarial Networks for Image to Illustration Translation
期刊:Image and Vision Computing(Elsevier,3区)
开源:https://github.com/giddyyupp/ganilla
当前的问题及概述:
1.尽管目前最先进的图像-图像转换模型可以成功地转换风格或内容,但它们不能同时转换两者。本文提出了一个新的生成器网络来解决这个问题,并表明产生的网络在风格和内容之间实现了更好的平衡。
2.目前,image to image transfer的评价标准都是基于对有限的图像进行主观的、定性的视觉比较。为了解决这个问题,我们提出了一个新的框架来定量评估图像到插图的模型,其中内容和风格被考虑到使用单独的分类器。
可以看到,cycleGAN的问题是并没有很好的保存内容信息,DualGAN的问题是无法迁移风格,而本文的GANILLA两者有一个很好的的兼顾。
模型及loss:
Backbone采用Res18,将Res18的4个block的前3个输入与decoder的相应上采样尺寸sum,这种跳连接方式将low-level输入到sum层中,有助于保存content。判别器采用PatchGAN
2020 IVC之GAN(image transfer):GANILLA: Generative Adversarial Networks for Image to Illustration Tran
最新推荐文章于 2024-02-19 10:38:38 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)