解开变分自编码器 PyTorch 实现的论文 团队成员： 安德烈亚斯·斯帕诺普洛斯 ( ) Demetrios Konstantinidis ( ) 存储库结构 目录包含我们迄今为止创建的模型。 一路上还会有更多。 python脚本是主要的可执行文件。 目录包含可用于训练和测试的 colab notebook。 在目录中有一个 ，其中详细解释了变分自动编码器的基本数学概念。 在目录中有一些配置文件可用于创建模型。 在目录中有我们通过使用各种配置运行模型得到的结果。 楷模 目前支持两种模型，一个简单的变分自动编码器和一个解开版本 (beta-VAE)。 模型实现可以在目录中找到。 这些模型是使用PyTorch Lightning开发的。 变分自编码器 变分自编码器是一个生成模型。 它的目标是学习数据集的分布，然后从相同的分布中生成新的（看不见的）数据点。 在下图中，我们可

我们介绍了SinGAN，一个可以从单一自然图像中学习的无条件生成模型。我们的模型经过训练，能够捕捉图像内部patch的分布，然后能够生成与图像具有相同视觉内容的高质量、多样化的样本。SinGAN包含一个完全卷积的GANs金字塔，每个GANs负责学习图像中不同尺度上的patch分布。这允许生成具有显著可变性的任意大小和高宽比的新样本，同时保持训练图像的整体结构和精细纹理。与以往的单一图像GAN方案相比，我们的方法不仅限于纹理图像，而且没有条件(即从噪声中生成样本)。用户研究证实，生成的样本通常被混淆为真实的即时消息。我们说明了SinGAN在图像处理任务中的广泛应用。 ———————————————— 版权声明：本文为CSDN博主「Asure_AI」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/Asure_AI/article/details/102869213

GIQA：生成的图像质量评估 这是ECCV2020“ GIQA：生成的图像质量评估”的正式pytorch实现（ ）。 该存储库的主要贡献者包括Microsoft Research Asia的Gu Shuyang，Bao Jianmin Bao，Dong Chen和Fang Wen。 相关论文采用GMM-GIQA来改善GAN的性能：PriorGAN（ ）。 介绍 GIQA旨在解决单个生成图像的质量评估问题。 在此源代码中，我们发布了易于使用的GMM-GIQA和KNN-GIQA代码。 引文 如果您发现我们的代码对您的研究有所帮助，请考虑引用： @article{gu2020giqa, title={GIQA: Generated Image Quality Assessment}, author={Gu, Shuyang and Bao, Jianmin and Chen, D

使用cGAN的人脸生成器（后端） 我们提出并使用cGAN模型（ ）进行了实验，以从草图生成人脸。 数据是从数据集中准备的，其中包括8303张女性面部图像。 此是将模型与 Python Web框架集成的后端部分。 它提供RESTful-API请求并返回生成的图像。 披露：模型实现由@junyanz用。 查看他的项目 。 我们将其用于保留研究和实施。 要求 在 3 ： pip install flask 所有培训部分均在 git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix cd pytorch-Cycle

Paper - SWAGAN - A Style-based WAvelet-driven Generative Model.pdf

通过预训练模型进行AttnGAN推理 运行推断 涉及三个步骤。 创建容器（可选地，选择cpu或gpu dockerfile： docker build -t "attngan" -f dockerfile.cpu . 运行容器： docker run -it --name attngan -p 8888:8888 attngan bash 运行jupyter笔记本。 学分 所有代码均已从借用。 此回购协议只是将评估api简化为一个Jupyter笔记本，而不是托管在Azure上。

pytorch-pix2pix pix2pix [1]的各种数据集的Pytorch实现。 您可以下载数据集： : 您可以在查看有关网络体系结构和培训详细信息的更多信息。 资料集 城市风光2,975个训练图像，200个训练纪元，1批大小，反序：真 外墙400个训练图像，200个训练纪元，1个批处理大小，反顺序：真 地图1,096个训练图像，200个训练纪元，1个批处理大小，反序：真 edge2shoes 50k训练图像，15个训练时期，4个批处理大小，反序：False edge2手袋 137k训练图像，15个训练纪元，4个批处理大小，反序：False 结果 城市风光 200个时代后的城市风光第一列：输入，第二列：输出，第三列：基本事实 生成固定输入的动画 学习时间 城市景观pix2pix-平均每个纪元：332.08秒; 总共200个时期：66,846.58秒 外墙 200个时代

Deep generative model with domain adversarial training for predicting arterial blood pressure waveform from photoplethysmogram signal

用于图像动画的一阶运动模型 该存储库包含Aliaksandr Siarohin， ， ， 和的论文的源代码。 动画示例 左侧的视频显示了驾驶视频。 每个数据集右侧的第一行显示了源视频。 最下面的行包含动画序列，这些动画具有从驾驶视频传输的运动和从源图像获取的对象。 我们为每个任务训练了一个单独的网络。 VoxCeleb数据集 时尚数据集 MGIF数据集 安装 我们支持python3 。 要安装依赖项，请运行： pip install -r requirements.txt YAML配置 每个dataset都有几个配置文件（ config/dataset_name.yaml ）。 请参阅c