论文链接：​​http://openaccess.thecvf.com/content_CVPR_2019/papers/Karras_A_Style-Based_Generator_Architecture_for_Generative_Adversarial_Networks_CVPR_2019_paper.pdf​​

项目链接：​​https://github.com/NVlabs/stylegan​​

摘要

        我们提出了一个可选择的生成架构对生成建议网络，借用风格迁移知识。在新的架构将导致一个自动学习，无监督分开高水平特征（例如，姿态识别在训练人脸）以及随机方差在生成图像（例如，雀斑，头发），以及它能够直观，特定尺度控制在统一协调下。新的生成器提高先进的在对于传统分配质量衡量指标，导致证明较好的插补属性，也较好的分开最新的因素变量。对量化插补质量和分离，我们提出两个新的，自动方法来应用到任何生成框架。最后，我们介绍一个新的，高种类和高质量人脸数据集。

传统网络与本文网络架构比较

                             

A Style-Based Generator Architecture for Generative Adversarial Networks_公众号

 

人脸数据集

7万张高质量图像，其中图像分辨率2014*1024。

FFHQ：​​https://github.com/NVlabs/ffhq-dataset​​

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

A Style-Based Generator Architecture for Generative Adversarial Networks_数据集_02

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料