LPTN | | 实时高分辨率真实感图像翻译：拉普拉斯金字塔翻译网络梁洁*、曾慧*、。 在 CVPR 2021 中。 抽象的 现有的图像到图像转换 (I2IT) 方法要么受限于低分辨率图像，要么由于对高分辨率特征图卷积的计算负担过重而导致推理时间长。 在本文中，我们专注于加速基于封闭形式拉普拉斯金字塔分解和重建的高分辨率逼真 I2IT 任务。 具体来说，我们揭示了属性变换，如光照和颜色处理，更多地与低频分量相关，而内容细节可以在高频分量上自适应地细化。 因此，我们提出了一个拉普拉斯金字塔翻译网络 (LPTN) 来同时执行这两项任务，我们设计了一个轻量级网络，用于翻译分辨率降低的低频分量和渐进式掩蔽策略，以有效地改进高频分量。 我们的模型避免了处理高分辨率特征图所消耗的大部分繁重计算，并忠实地保留了图像细节。 在各种任务上的大量实验结果表明，所提出的方法可以使用一个普通 GPU 实时转换 4

Image-to-Image Translation with Conditional Adversarial Networks.pdf

Image-to-Image Translation with Conditional Adversarial Networks论文加代码，python(tensorflow)实现和lua实现

StarGAN-官方PyTorch实施 *****新增功能：可从获得StarGAN v2 ***** 该存储库提供了以下论文的官方PyTorch实现： StarGAN：用于多域图像到图像翻译的统一生成对抗网络1,2， 1,2， 2,3，2，2,4， 1,2- 1韩国大学， 2 Clova AI研究，NAVER Corp. 3香港科技大学新泽西学院4 摘要：最近的研究表明，在两个领域的图像到图像翻译中取得了巨大的成功。 但是，由于应为每对图像域分别构建不同的模型，因此现有方法在处理两个以上域时具有有限的可伸缩性和鲁棒性。 为了解决此限制，我们提出了StarGAN，这是一种新颖且可扩展的方法，可以仅使用一个模型就可以对多个域执行图像到图像的转换。 StarGAN的这种统一模型架构允许在单个网络中同时训练具有不同域的多个数据集。 与现有模型相比，StarGAN的翻译图像质量更高，并且具有

StarGAN v2-官方PyTorch实施 StarGAN v2：多个域的多样化图像合成*，* *，*，在CVPR 2020中。（*表示相等的贡献） 论文： : 视频： ： 摘要：良好的图像到图像转换模型应学习不同视觉域之间的映射，同时满足以下属性：1）生成图像的多样性和2）在多个域上的可伸缩性。 现有方法解决了其中一个问题，即对于所有域而言，其多样性有限或具有多个模型。 我们提出了StarGAN v2，这是一个可以同时解决这两个问题的框架，并且在基线之上显示出明显改善的结果。 在CelebA-HQ和新的动物面Kong数据集（AFHQ）上进行的实验验证了我们在视觉质量，多样性和可伸缩性方面的优越性。 为了更好地评估图像到图像的翻译模型，我们发布了AFHQ，具有较大域间和域内差异的高质量动物脸。 代码，预训练模型和数据集可在clovaai / stargan-v2中找到。 宣

建议 我们基于GAN的面部属性编辑工作 。 新闻 我们通过Tensorflow 2重新实现CycleGAN！ 旧版本在这里： ， 。 CycleGAN-Tensorflow 2 Tensorflow 2实现CycleGAN。 论文： 作者：等。 样例结果 夏天2冬天 第1行：夏季->冬季->重建的夏季，第2行：冬季->夏季->重建的冬季 斑马 第1行：马->斑马->重建马，第2行：斑马->马->重建斑马 苹果2橙色 第1行：苹果->橙色->重建苹果，第2行：橙色->苹果->重建橙色 用法 环境 Python 3.6 TensorFlow 2.2，TensorFlow插件0.10.