html5 项目案例_一些基于GAN的有趣的AI案例

9fe8ffc93dec5d2c70f18f0636d996fa.png

1.使用深度学习为黑白自然照片上色 - colorization

6b56c6bab45db9e6a5007996a449415e.png
原始黑白照片

da47ae24ac5935fb4848328a6d257793.png
AI上色

dc922de000f719ddbb1c1ca55585867d.png
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-photos

2. 使用深度学习为黑白自然照片自动上色 - autocolorize

66c6f7ccbefe72e81da435c2277b2fa1.png
项目案例

项目网址:

http://people.cs.uchicago.edu/~larsson/colorization/

项目演示:

http://colorize.ttic.edu/

3. 使用深度学习为线稿自动上色 - deepcolor

2abb4a426a98b2b5da40a7880a22f3f8.png
项目案例

项目网址:

http://color.kvfrans.com/

项目演示:

http://color.kvfrans.com/draw

4. 使用深度学习为线稿自动上色

e0f07847f33ad8c1964a834df23907b3.png
原始线稿

78ab021205be6059e2f59e1add052c32.png
AI上色

项目网址:

https://paintschainer.preferred.tech/index_zh.html

5. 超逼真高清视频生成AI - vid2vid

Edge-to-Face Results
41dbd2ea234ee39912c8e3ae2259b67d.png
vid2vid face multiplehttps://www.zhihu.com/video/1064980516226322432
a9da2780c685bc6d21847dbc3ce6a142.png
vid2vid facehttps://www.zhihu.com/video/1064973613551288320
Pose-to-Body Results
416d4aad48042d4104a6291b38bae94f.png
vid2vid posehttps://www.zhihu.com/video/1064973851531767808
Label-to-Streetview Results
61b9603d9dc4d2b5436d4162d97b6ee2.png
vid2vid cityscapes manipulatedhttps://www.zhihu.com/video/1064974309587513344
808288a7e54cb2ff4c3e266c2ca2e943.png
vid2vid cityscapes comparisonhttps://www.zhihu.com/video/1064974564781572096
Frame Prediction Results
e935f452b9e34888cb1dc76b331aa0ce.png
vid2vid framePredicthttps://www.zhihu.com/video/1064974758373990400

项目网址:

https://tcwang0509.github.io/vid2vid/

6. 基于CycleGAN 实现的实例级别的图像转换 - instgan

将图片中人物的裤子换成裙子

bfecd30ff6b9c5e134eb4d4cf99ebc4c.png
原始图片

c47d767e98100541671d89586e502c77.png
换后的图片

项目网址:

https://github.com/sangwoomo/instagan

7. 高保真度自然图片合成

这个生成的人物简直不要太真实了,但是在生成非人物以外的图片就显得力不从心了
3120d6a65293dd721200646785510e41.png
celebahq random interpolationshttps://www.zhihu.com/video/1064976016140718080
下面这个随机生成人物的过程也令人震惊
c5b05088856211e9346c22a5950d6631.png
celebahq random interpolationshttps://www.zhihu.com/video/1064976950648438784

项目地址:

https://github.com/tkarras/progressive_growing_of_gans

8. 高保真度自然图片合成 - BigGAN

这个就更厉害了,除了能生产人物,最关键的是能生产多种自然图片类别

88a0b105efc59e5f15cf1fb35c5471bc.png
生成的狗狗图片

项目DEMO:

https://tfhub.dev/deepmind/biggan-512/2

9. 高保真度自然图片合成 - TL-GAN

5d0142d95a3bca3f33907e104a284453.png
TL-GANhttps://www.zhihu.com/video/1073726272651444224

项目地址:

SummitKwan/transparent_latent_gan


2019.2.22日更新

10.P图试妆试戴新神器 - SC-FEGAN

这是除了人工P图,AR试妆试戴后的新的方式

8b7e163a9b8a81d9d53e878a6fd64703.png

项目地址:

https://github.com/JoYoungjoo/SC-FEGAN

11.高保真度自然图片合成 - StyleGAN

同样出自于第7点的团队,生成的人物又进一步增强,且在生成非人物以外的图片得到了极大的提升
0dcf1eda8a05da2cdd2ee2719e9b7d30.png
StyleGANhttps://www.zhihu.com/video/1082248248756056064

项目地址:

NVlabs/stylegan

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于RNN_LSTM_GAN混合预测是一种结合了循环神经网络(RNN)、长短期记忆(LSTM)和生成对抗网络(GAN)的预测模型。 RNN是一种能够处理序列数据的神经网络。通过RNN的循环结构,它可以在处理每个序列的同时记住之前已处理的序列信息。而LSTM则是RNN的一种改进版本,通过引入记忆单元和门控机制,解决了传统RNN在长序列处理时容易出现梯度消失或爆炸的问题。 GAN是由生成器和判别器组成的对抗训练网络。生成器负责生成与真实数据相似的假数据,而判别器则负责判断输入数据是真实数据还是生成器生成的假数据。通过不断优化生成器和判别器,GAN可以生成更加逼真的假数据。 基于RNN_LSTM_GAN混合预测的过程如下:首先,使用RNN_LSTM模型对历史序列数据进行训练和预测,以便对当前的序列数据进行预测。然后,将LSTM模型的输出作为GAN的输入,通过生成器生成一些假数据。接着,将真实数据和生成的假数据混合在一起,再次使用RNN_LSTM模型进行预测。最后,根据判别器对混合数据的判别结果,调整RNN_LSTM模型的参数和反馈,优化整个预测过程。 通过基于RNN_LSTM_GAN的混合预测模型,可以更好地利用序列数据的时间依赖性和复杂的非线性特征,提高预测的准确性和泛化能力。同时,GAN的引入可以增加样本的多样性,帮助模型更好地捕捉数据的分布特点,提升预测的质量和稳定性。 总之,基于RNN_LSTM_GAN混合预测是一种有效的预测方法,通过结合不同的神经网络模型和训练策略,能够更好地处理序列数据的预测问题,拓展数据的生成和预测能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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