深度曲线编辑：面向预训练深度生成模型的交换且非线性图像操控
计算机视觉与模式识别
2023-08-30 v3 机器学习
摘要
图像的语义编辑是计算机视觉的基本目标。尽管深度学习方法（如生成对抗网络（GANs））能够生成高质量图像，它们通常不具备语义编辑生成图像的内在方式。近期研究探索了操控潜变量以确定待生成图像的方法。然而，假设线性语义算术的方法在图像编辑质量方面存在一定局限，而发现非线性语义路径的方法提供非交换编辑，在不同顺序应用时不一致。本研究提出一种称为深度曲线编辑（DeCurvEd）的新方法，用于在潜空间上确定语义交换向量场。我们从理论上证明，由于交换性，多属性编辑仅依赖于数量而非顺序。此外，我们通过实验证明，与先前方法相比，DeCurvEd 的非线性与交换特性促进了图像属性的解耦并提供了更高质量的编辑。
引用
@article{arxiv.2211.14573,
title = {Deep Curvilinear Editing: Commutative and Nonlinear Image Manipulation for Pretrained Deep Generative Model},
author = {Takehiro Aoshima and Takashi Matsubara},
journal= {arXiv preprint arXiv:2211.14573},
year = {2023}
}
备注
15 pages. The last update made no changes except for adding the following link to the CVF repository: https://openaccess.thecvf.com/content/CVPR2023/html/Aoshima_Deep_Curvilinear_Editing_Commutative_and_Nonlinear_Image_Manipulation_for_Pretrained_CVPR_2023_paper.html. Here, you can find our code to reproduce our results