[StyleGAN] Architecture de générateur basée sur le style du GAN, partie 2 (résultats et discussion) | TDLS

—————— Rejoignez notre défi de produit d’apprentissage automatique et gagnez un “prix en espèces” pouvant atteindre 3 000 $: ———— – – -Toronto Deep Learning Series, 24 janvier 2019, article: Groupe de discussion: Diego Cantor, Michael O.Vertolli, Dave MacDonald Modérateur: Knowledge Research Oriented Generative Generative Network-Oriented Style-Based Generator Architecture antagonisme génératif, emprunté à la littérature de conversion de style. La nouvelle architecture peut apprendre automatiquement, la séparation non supervisée des attributs de haut niveau (tels que la posture et l’identité lors de l’entraînement sur le visage) et les changements aléatoires dans les images générées (telles que les taches de rousseur, les cheveux), et peut être mise à l’échelle intuitivement Contrôle de synthèse spécifique. Le nouveau générateur améliore la dernière technologie en termes d’indicateurs de qualité de distribution traditionnels, montre des caractéristiques d’interpolation nettement meilleures et élimine mieux les facteurs potentiels de changement. Afin de quantifier la qualité de l’interpolation et le degré d’enchevêtrement, nous proposons deux méthodes automatisées adaptées à toute architecture de générateur. Enfin, nous introduisons un nouvel ensemble de données de visage très diversifié et de haute qualité. .