GAN学习4-人脸属性编辑
【算法背景】 GAN除了在之前介绍的图像转换有巨大的应用潜力，得益于StyleGAN和StyleGAN2在人脸生成上的逼真效果，GAN的另一个应用-人脸属性编辑也得到了巨大的发展，该类技术旨在通过对人脸图像进行操作达到个性化设计的目的，主要包含人脸滤镜、 人脸贴妆、人脸变形、人脸特征变换、人脸风格化等，示意图下： 人脸属性编辑示意图 考虑到StyleGAN对于人脸属性编辑的重大意义，本篇博客将重点介绍基于此系列算法的人脸属性编辑方法，暂不讨论基于传统图像处理的人脸算法（如磨皮、美颜、瘦脸等），也不讨论以StarGAN、MaskGAN为代表的其他深度学习方法。 【StyleMixing-实现妆容迁移】 算法原理 之前博客中提到：StyleGAN2 中不同分辨率的激活张量控制人脸图像中不同细 粒度的属性特..
Read more
GAN学习3-StyleGAN
StyleGAN 【论文】【代码】【视频】【数据集】 先放一张StyleGAN生成人脸的效果图吧，确实真实到无法分辨出他是生成的，效果好到炸裂，以至于学习GAN不熟悉StyleGAN可以说说白学GAN了。 StyleGAN生成人脸示意图,来自video 当然除了人脸，StyleGAN在其他物体上的生成效果也是非常炸裂的。 StyleGAN生成其他物体示意图,来自video 写在前面 StyleGAN对于GAN的发展和推进太重要了，论文的内容很丰富细节也很多，一直没有很好的写作思路，直到看到了这篇博客和他的两篇中文版本:Wooo.zhihu和Yuthon's Blog，发现大家写的太好了，于是近乎全文copy过来当做笔记也方便后面自己查阅，只是加了少量自己的图和理解，也建议 大家去原博客进行阅读。..
Read more
GAN学习2-图像转换
图像转换是GAN的一个重要应用，不同于原始GAN结构从一个维度较低(如512x1)的噪声生成图像，图像转换则接受图像级别(如256x256x3)的输入，并在保证云输入图像主要特征(如结构、人脸id)的情况下输出具有其他风格的相同尺寸图像。 图像转换示意图，原图来自CycleGAN DTN 【Domain Transfer Network 】【官方代码】【复现代码】 算法笔记 DTN 目标任务：将源于的图像S转换到目标域T中，并且在保留源域主要特征(如人脸id)的同时也具有目标域的特征(如卡通特征)。 算法细节: 网络结构：生成器G完成image2image任务，其由特征提取器f和重构器g构成；判别器D为三类判别，判别输入图像是否来自1.目标域真实图像；2.目标域重构生成的图像；3.源域转化生..
Read more
GAN学习1-基础网络
各类GAN算法 本文使用到的各类GAN算法，我自己完成复现，更多细节可以参考【代码】 损失函数 名称 损失函数 GAN LSGAN WGAN WGAN-GP DRAGAN DCGAN ACGAN CGAN InfoGAN LapGAN BEGAN EBGAN 算法细节 GAN：生成对抗网络的开山之作,引入零和博弈的思想交替优化判别器和生成器 LSGAN：直接通过L2损失将判别器的预测结果拉近各自标签 WGAN： 判别器最后一层去掉sigmoid 生成器和判别器的loss不取log 权重剪枝:每次更新判别器的参数之后把它们的值截断到不超过一个固定常数c 不用基于动量的优化算法（包括momentum和 Adam）..
Read more