过参数化改进 StyleGAN 反演
计算机视觉与模式识别
2022-05-16 v1
摘要
像 StyleGAN 这样的深度生成模型承载着语义图像编辑的前景：根据其内容而非像素值来修改图像。遗憾的是，处理任意图像需要反演 StyleGAN 生成器，这迄今为止仍具挑战性。现有的反演方法取得了有前景但不完美的结果，不得不在重建质量与下游可编辑性之间权衡。为提高质量，这些方法必须借助各种技术在训练后扩展模型潜空间。退一步看，我们观察到这些方法本质上都以某种方式提出增加自由参数的数量。这表明反演之所以困难，可能是因为其约束不足。在这项工作中，我们直接解决这一问题，并在训练前通过对原始 StyleGAN 架构的简单改动大幅过参数化潜空间。我们的过参数化增加了可用的自由度，进而促进了反演。我们表明，这使我们能够在无需编码器也无需训练后改变潜空间的情况下获得近乎完美的图像重建。我们的方法还保留了可编辑性，我们通过图像间的真实插值演示了这一点。
引用
@article{arxiv.2205.06304,
title = {Overparameterization Improves StyleGAN Inversion},
author = {Yohan Poirier-Ginter and Alexandre Lessard and Ryan Smith and Jean-François Lalonde},
journal= {arXiv preprint arXiv:2205.06304},
year = {2022}
}
备注
6 pages, accepted for publication at AI for Content Creation Workshop (CVPR 2022)