生成式AI
文章平均质量分 84
生成式AI学习分享
JM-0808
本科在读
-AI算法实习生ing
展开
-
CCPL: Contrastive Coherence Preserving Loss for Versatile Style Transfer
在C feature map的中心区域,随机采样N个点作为当前patch,对于这每一个patch,在其周围采样8个点作为其相邻的patch,记录索引,并应用于G feature map。具体来说,就是让同一张图片相邻的两个小patch在风格化前后,二者的差异信息要尽可能的相似。CCPL保证了结果的时间一致性,SCT则用于实现内容特征和风格特征的对齐融合。(1)SIFID:计算风格图像和生成图像的分布距离,衡量风格转换程度的好坏。(2)Wikiart - 为艺术家们的作品数据集,作为风格数据。原创 2023-08-17 14:20:03 · 207 阅读 · 0 评论 -
风格迁移算法-Adaptive Instance Normalization
BN和IN的计算主要区别在于一个是针对batch样本,一个是针对个体样本,当训练数据都被归一到同一种风格,一个batch的统计特征和一个个体样本的统计特征会大致相同,而在这个时候,训练loss也大致相同,这侧面说明了影响风格转换的关键就是。既然均值和方差可以很大程度的影响风格转换效果,那么我想改变一张图片的风格,如果先对其进行去风格化,再进行风格嵌入,效果是不是会出奇的好呢?风格迁移,顾名思义,就是将一张图片/视频的风格嵌入到另一张图片/视频中去,被嵌入的图片/视频保持原内容,但是风格却变成了其他样式。原创 2023-06-03 00:04:14 · 1289 阅读 · 0 评论 -
换脸-DeepFakeLab-SimSwap对比
S对imSwap通俗地讲解:给定一张target image和source image, SimSwap可以将source image的id信息转移到target image之中,并且可以最大程度地保持target image的属性信息不变(姿势,表情,光照等),该论文的创新点在于:1.在DeeoFakes的基础上进行了拓展可以实现任意换脸 2.使用Weak Matching Loss来最大程度保留target image的属性信息。:一对一针对性换脸,源码提供了很强的可交互性,换脸质量高。原创 2023-06-02 21:13:22 · 734 阅读 · 0 评论