閱讀論文後自己實作的低解析度版本GauGAN (本人GPU不夠力...),可以用一張semantic mask作為輪廓與另一張圖片作為想要的style進行合成,合成出來的圖片即會有前者的輪廓與後者的色彩。部分參數與與論文中不同,尤其KL-Divergence的loss權重我們調成員論文的1/50,發現效果較好。
Semantic Image Synthesis with Spatially-Adaptive Normalization
閱讀論文後自己實作的低解析度版本GauGAN (本人GPU不夠力...),可以用一張semantic mask作為輪廓與另一張圖片作為想要的style進行合成,合成出來的圖片即會有前者的輪廓與後者的色彩。部分參數與與論文中不同,尤其KL-Divergence的loss權重我們調成員論文的1/50,發現效果較好。
Semantic Image Synthesis with Spatially-Adaptive Normalization