基于受控GAN的创意生物合成：通过具挑战性的游戏美术数据集解决噪声-隐变量权衡
计算机视觉与模式识别
2021-10-22 v2
摘要
最先进的StyleGAN2网络支持强大的艺术创建与编辑方法，包括生成随机图像、查找“类似”某查询的图像，以及修改内容或风格。此外，近期进展使得使用小数据集训练成为可能。我们将这些方法应用于卡牌美术合成，通过在新颖的Yu-Gi-Oh数据集上训练。虽然StyleGAN2的噪声输入对良好合成至关重要，但我们发现在该数据集上粗尺度噪声与隐变量相互干扰，因为二者均控制长尺度图像效果。我们观察到随噪声变化美术出现过度剧烈的变化，且通过隐变量编辑的内容控制较弱。在此，我们证明训练一个修改后的StyleGAN2（其中粗尺度噪声被抑制）可消除这些不期望的效果。我们获得了更优的FID；噪声变化导致风格的局部探索；身份控制显著改善。这些结果和分析朝向一个面向各技能水平数字艺术家的GAN辅助美术合成工具，可用于电影、游戏或任何创意产业的艺术构思。
引用
@article{arxiv.2108.08922,
title = {Controlled GAN-Based Creature Synthesis via a Challenging Game Art Dataset -- Addressing the Noise-Latent Trade-Off},
author = {Vaibhav Vavilala and David Forsyth},
journal= {arXiv preprint arXiv:2108.08922},
year = {2021}
}
备注
10 pages, 10 figures