把人的眼睛变大，把嘴合上，转动眼珠:
质量如此逼真，一点糊图的痕迹都没出现 。
如果我不说，你知道这其实是对抗生成网络自己 P 的吗。
除了人脸，汽车啊鸟啊猫啊也都可以，比如改改车轮大小，换个车轴样式:
把小鸟的喙部变长，头抬高，胸脯变壮:
用动图展示就更炫酷了:
大点大点，圆点圆点，头发再多一点。
怎么样，这 GAN 的效果是不是也不输 PS。
一个高质量 P 图 GAN
研究出自英伟达，多伦多大学以及 MIT，相关论文已被 NeurIPS 2021 接收。
EditGAN 作为一种全新方法，只需少量语义标记就能训练。
它会把原图像分割成高度精细的语义块，有多精细呢。
就比如下面这张人脸图，被足足按 30 种语义进行了分割:
而在一个交互工具中，只需操作这些语义块就可以对相应部分进行修改。
EditGAN 的关键思想在于利用图像和语义分割的联合分布 p 。
然后进行共享潜码的优化，以保持新分割图与真实图像的 RGB 外观一致，如图所示:
相应的梯度则通过共享生成器反向传播而成。
还可以泛化到绘画作品上
真实质量如何。
研究人员在在四个不同类别的图像上对 EditGAN 进行评估:汽车，鸟类，猫和人脸。
-
定性实验结果
在下面这种高清的图像上效果就更好了:
此外，EditGAN 也有很强的泛化能力，比如在下面这种绘画等风格的人像上，做点小表情毫无违和感。
-
定量实验结果
一作凌欢，多伦多大学博士生，同时在该校人工智能研究院和英伟达做研究。
共同一作 Karsten Kreis，英伟达高级研究科学家，2018 年以博士学位毕业德国马普高分子所。
。郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
