WINE：用于高保真精修的小波引导 GAN 反演与编辑
计算机视觉与模式识别
2025-01-15 v2 机器学习
图像与视频处理
摘要
近期先进的 GAN 反演模型旨在通过生成器微调或高维特征学习的方法将原始图像的高保真信息传递给生成器。尽管有这些努力，由于训练和结构方面的固有局限，准确重建图像特定细节仍具挑战，导致偏向低频信息。本文中，我们考察 GAN 反演中广泛使用的像素损失，揭示其主要关注低频特征的重建。随后我们提出 WINE，一种小波引导的 GAN 反演与编辑（Wavelet-guided GAN Inversion aNd Editing）模型，其通过新提出的小波损失和小波融合方案以 wavelet 系数传递高频信息。值得注意的是，WINE 是首个在频域解释 GAN 反演的尝试。我们的实验结果展示了 WINE 在保留高频细节和提升图像质量方面的精确性。即使在编辑场景中，WINE 也以可编辑性与重建质量间的良好平衡优于现有最先进的 GAN 反演模型。
引用
@article{arxiv.2210.09655,
title = {WINE: Wavelet-Guided GAN Inversion and Editing for High-Fidelity Refinement},
author = {Chaewon Kim and Seung-Jun Moon and Gyeong-Moon Park},
journal= {arXiv preprint arXiv:2210.09655},
year = {2025}
}