GAN 中的学习调节变换
原文中文,约200字,阅读约需1分钟。发表于: 。通过引入模态转换模块(MTM)以在生成对抗网络(GAN)的生成器中控制潜在编码并预测空间偏移量,通过在不同实例中的不同位置应用卷积操作,增加了处理几何变形的灵活性,从而在各种生成任务中取得了良好的效果。
ModularGAN是一种用于多领域图像生成和图像到图像转换的方法。它利用可复用和可组合的功能模块,在测试时根据具体任务组合这些模块,提高生成任何所需领域图像的灵活性。该方法在多领域面部属性转移方面优于现有方法。
通过引入模态转换模块(MTM)以在生成对抗网络(GAN)的生成器中控制潜在编码并预测空间偏移量,通过在不同实例中的不同位置应用卷积操作,增加了处理几何变形的灵活性,从而在各种生成任务中取得了良好的效果。
ModularGAN是一种用于多领域图像生成和图像到图像转换的方法。它利用可复用和可组合的功能模块,在测试时根据具体任务组合这些模块,提高生成任何所需领域图像的灵活性。该方法在多领域面部属性转移方面优于现有方法。