SemanticStyleGAN：学习用于可控图像合成与编辑的组合式生成先验
计算机视觉与模式识别
2022-03-30 v3
摘要
近期研究表明，StyleGAN可为图像合成与编辑的下游任务提供有前景的先验模型。然而，由于StyleGAN的潜码被设计用于控制全局风格，难以对合成图像实现细粒度控制。我们提出SemanticStyleGAN，其中生成器被训练为分别建模局部语义部件并以组合方式合成图像。不同局部部件的结构与纹理由相应潜码控制。实验结果表明，我们的模型在不同空间区域间提供了强解耦性。当与为StyleGAN设计的编辑方法结合时，可实现对合成或真实图像更细粒度的编辑控制。该模型也可通过迁移学习扩展到其他领域。因此，作为一个内置解耦的通用先验模型，它可促进基于GAN的应用发展并支持更多潜在下游任务。
引用
@article{arxiv.2112.02236,
title = {SemanticStyleGAN: Learning Compositional Generative Priors for Controllable Image Synthesis and Editing},
author = {Yichun Shi and Xiao Yang and Yangyue Wan and Xiaohui Shen},
journal= {arXiv preprint arXiv:2112.02236},
year = {2022}
}
备注
Camera-ready for CVPR 2022. Project page at https://SemanticStyleGAN.github.io