114 天前 / 我爱计算机视觉
关注公众号,发现 CV 技术之美 本文转自机器之心,编辑:杜伟、陈萍。 扩散模型正在不断的「攻城略地」。 扩散模型并不是一个崭新的概念,早在 2015 年就已经被提出。其核心应用领域包括音频建模、语音合成、时间序列预测、降噪等。 那么它在视频领域表现如何?先前关于视频生成的工作通常采用诸如 GAN、VAE、基于流的模型。 在视频生成领域,研究的一个重要里程碑是生成时间相干的高保真视频。来自谷歌的研究者通过提出一个视频生成扩散模型来实现这一里程碑,显示出非常有希望的初步结果。
297 天前 / rainNight
为数字视频游戏创作艺术需要高度的艺术创造力和技术知识,同时还需要游戏艺术家快速迭代想法并制作大量资产,通常是在紧迫的期限面前。如果艺术家的画笔不像工具,而更像助手,那会怎样?充当这种画笔的机器学习模型可以在不牺牲艺术选择的情况下减少创造高质量艺术所需的时间,甚至可能增强创造力。 今天,我们展示了 Chimera Painter,这是一种经过训练的机器学习 (ML) 模型,可根据用户提供的生物轮廓自动创建完全充实的渲染图。
394 天前 / 我爱计算机视觉
1 前言 该论文是关于 GAN 图像生成类的文章出自于大连理工大学并发表于 CVPR2021。GAN 生成能力最关键的一环在于模型利用真实数据的信息量的多少,但是 GAN 及其相应的变体因为利用的信息量比较单薄,所以会导致模型在训练的过程中非常脆弱,容易导致模型崩塌。为了解决这个问题,论文中作者提出了一种新的 GAN 的框架,不同于以往的 GAN 的判别器将样本映射为判别真假的概率值,该论文中判别器将输入样本映射成为高斯分布因子,借此充分的提取真实分布信息,作者从理论实验两方面验证了的有效性。
601 天前 / figo
机器之心报道 机器之心编辑部 如何基本不用 GAN 把照片生成简笔画?这个项目就做到了。 先前,机器之心报道过简笔画生成人脸。而 AI 从人脸生成简笔画的效果如何呢? 先看几张效果图! 《老友记》多人照片转换效果: 还有男神基努 · 里维斯 效果是不是出奇的好?更有意思的是,这种创作线稿的方法并没有使用大多数类似工具会用到的生成对抗网络 GAN。 目前,该项目在 Reddit 上已经有超高热度,项目名为 ArtLine,github star 量也已经超过 700。如果你想尝试一下自己的照片,项目作者 Vijish Madhavan 也把代码放在了 Google Colab 上,运行即可。
604 天前 / figo
金磊 发自 凹非寺 量子位 报道 | 公众号 QbitAIAI 画的简笔画能到什么水平? 给一张美国演员 Rami Malek 的照片,效果是这样的。 是不是和原图很逼近了? 再来看下输入《老友记》合影的效果。 虽然人物众多,但出来的简笔画效果,依旧还是能分清剧中的人物。 如果毛发特别浓密的人物照,AI 还能 hold 得住吗? 小姐姐“爆炸头”的边缘毛发,也算得上是完美还原了。 再近距离一些的呢?来看“霉霉”(Taylor Swift)照片的效果。 可以说是相当的细节了,把发丝的层次感、光感,以及衣物的褶皱,都发挥的“淋漓尽致”。
818 天前 / kbsc13
点击上方“算法猿的成长“,关注公众号,选择加“星标“或“置顶” 总第 137 篇文章,本文大约 1000字,阅读大约需要 5分钟 今天介绍的一个开源的 github 项目,主要是实现了对 GAN 训练过程的可视化代码,项目链接如下: https://github.com/EvgenyKashin/gan-vis 或者点击文章底部“阅读原文”,直接跳转。 接下来是简单介绍这份代码的情况,基本实现的功能,效果等。 前言这是一个简单实现了学习和可视化 2d 的 GANs 的实验代码。
846 天前 / ???Edison_Guo
点击蓝字关注我们 扫码关注我们 公众号: 计算机视觉战队 扫码回复:ProGAN,获取下载链接 最近突然对 GAN 特别感兴趣,今天就开始进入该领域,我也从基础的开始,今天就先说说 Nvidia 的第一版本 GAN。 简述 描述了生成对抗网络的新训练方法。关键思想是从低分辨率图像开始,逐渐增大生成器和判别器,并在训练进展过程中添加新的处理更高分辨率细节的网络层。这大大地稳定了训练,并让我们生成了前所未有高质量的图像,例如,分辨率为 1024×1024 的 CelebA 图像。
1024 天前 / 叶锦鲤
小白深度学习入门系列 1. 直观理解深度学习基本概念 2. 白话详解ROC和AUC 3. 什么是交叉熵 4. 神经网络的构成、训练和算法 5. 深度学习的兴起:从NN到DNN 6. 异军突起的激活函数:ReLU 7.CNN,RNN,LSTM都是什么? 8. 什么是Transformer? 生成模型(Generative Model)vs 判别模型(Discriminant Model) 在讨论生成对抗网络之前,我们需要先明确两个概念:生成模型和判别模型。 所谓生成网络,指构建生成模型的神经网络;同理判别网络则是构建判别模型的神经网络。
1125 天前 / 巧克力工厂的查理
Pix2Pixpix2pix使用条件生成对抗网络(cGAN)来学习从输入图像到输出图像的映射。 数据集的一个例子是输入图像是黑白图像,目标图像是图像的彩色版本。在这种情况下,生成器generator正在尝试学习如何着色黑白图像。鉴别器discriminator正在查看生成器generator的着色尝试,并试图了解生成器generator提供的着色与数据集中提供的真彩色目标图像之间的区别。
1191 天前 / figo
“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。”-Facebook AI人工智能研究总监Yann LeCun 想把马变成斑马吗?制作DIY动漫人物或名人?那么生成对抗网络(GAN)是帮助你最好的工具。 使用生成对抗网络创建深度生成模型,目前深层生成模型的分类如下图。本文的重点是GAN。 在本文中,我们将解决以下主题: GAN的简短回顾 GAN应用程序 GAN问题 其他类型的GAN 构建图像GAN 编码教程 本文的大部分内容将涉及编码GAN以及对GAN的一些更高级实现的广泛介绍。
1191 天前 / figo
“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。”-Facebook AI人工智能研究总监Yann LeCun 想把马变成斑马吗?制作DIY动漫人物或名人?那么生成对抗网络(GAN)是帮助你最好的工具。 使用生成对抗网络创建深度生成模型,目前深层生成模型的分类如下图。本文的重点是GAN。 在本文中,我们将解决以下主题: GAN的简短回顾 GAN应用程序 GAN问题 其他类型的GAN 构建图像GAN 编码教程 本文的大部分内容将涉及编码GAN以及对GAN的一些更高级实现的广泛介绍。
1212 天前 / clumsy
来源:https://en.wikipedia.org/wiki/Edmond_de_Belamy五年前,Generative Adversarial Networks(GANs)在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow等人在“Generative Adversarial Networks”中提出了生成对抗网络。学术界和工业界都开始接受并欢迎GAN的到来。GAN的崛起不可避免。 首先,GAN最厉害的地方是它的学习性质是无监督的。GAN也不需要标记数据,这使GAN功能强大,因为数据标记的工作非常枯燥。 其次,GAN的潜在用例使它成为交谈的中心。
1230 天前 / 比昂
前文《生成对抗网络的TensorFlow初探》和《条件生成式对抗网络(CGAN)&TensorFlow》中介绍了GAN和CGAN,论文《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》 引出了一个InfoGAN。本文主要看下模型可能的优化角度。 在原始GAN中,连续的噪声信号z,没有任何约束,GAN没法利用噪声,z并不是一个Interpretable的信号,无法与数据的语义特征对应起来。
1241 天前 / 比昂
昨天腹泻发烧躺了了一天,今天白天开了一天会,体力还在恢复中。说点相对轻松的话题。 漫威的新英雄惊奇队长刚刚上映不久,想起漫威中很多场景其实在现实中是不存在的,都是通过计算机来模拟出的以假乱真的技术,计算机怎样模拟真实场景通过学习来生成一个较大概率判定为真实的生成样本? 今天来了解下生成对抗网络(GAN, Generative Adversarial Networks)。 01 目的 从数据科学的角度来说,人们一切关于数学的研究都是为了解决量化和认知的问题。
1248 天前 / 极市小助手
此外,本文允许转载,注明作者,出处即可! 前阵子学习GAN的过程发现现在的GAN综述文章大都是2016年Ian Goodfellow或者自动化所王飞跃老师那篇。可是在深度学习,GAN领域,其进展都是以月来计算的,感觉那两篇综述有些老了。最近发现有一篇最新的有关GAN综述的paper[1],四十余页,介绍了GAN的各个方面,于是就学习并整理笔记如下。文中许多内容大都根据自己所学总结,有不当之处欢迎指出。此外,本文参考了许多博客资料,已给出参考链接。如有侵权,请私信删除。