在各类内容生产的研究中,广泛采用深度生成模型来基于数据驱动生成新颖且高保真的结果. 其中图像生成领域在近十年来空前繁荣,其中主要因素包括NVLab, 微软亚研院等机构的高度参与,大量benchmark的产生与迭代, 活跃的学术社群,以及辐射到下游艺术家社群的各类代表性成果如Stylegan Clip+VQGAN等.
因此如果想在各领域尝试采用基于数据驱动的方式进行内容生产,降低当前各类资产创作的成本,就不得不关于图像生成领域的优秀工作,可以迁移的技术, 以及社区形成的学术认识与思想.

Awesome List

在相关CV资源搜集上，已经有很多工作，其中，最有代表性的是一些awesome list。这里将会收集一些资源聚集性节点.
https://github.com/weihaox/awesome-gan-inversion
当图像生成的backbone StyleGAN定型后(刷榜降低fid没太大意义),社区开始研究下游工作,比如图像编辑的思路就是将一张真实图片映射到stylegan的w空间,然后通过stylegan上的一系列小技巧来进行语义编辑。

分享区

这里将会推出研讨班值得注意的重要工作,并且在下面分享相关讨论议题

backbone

stylegan3

图像编辑

https://github.com/weihaox/awesome-gan-inversion

作者提出了一种对人类年龄转换过程进行细粒度建模的方法。该方法SAM将人类老化视为一个图像到图像的转换问题，通过将预先训练的固定StyleGAN生成器的表达能力与编码器配对，编码器的任务是将真实人脸图像直接编码到StyleGAN潜在空间中，以适应所需的年龄变化。
论文名称：Only a Matter of Style: Age Transformation Using a Style-Based Regression Model
作者：Yuval Alaluf, Or Patashnik, Daniel Cohen-Or
论文链接：https://arxiv.org/abs/2102.02754
项目地址：https://github.com/yuval-alaluf/SAM
评价:去年就在arxiv看到过的工作,可以非常精细解耦地控制人脸衰老的过程