Fugu-MT 論文翻訳(概要): GANiry: Bald-to-Hairy Translation Using CycleGAN

論文の概要: GANiry: Bald-to-Hairy Translation Using CycleGAN

arxiv url: http://arxiv.org/abs/2109.13126v1
Date: Mon, 27 Sep 2021 15:39:27 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 15:47:30.131369
Title: GANiry: Bald-to-Hairy Translation Using CycleGAN
Title（参考訳）: GANiry:CycleGANを用いたBald-to-Hairy翻訳
Authors: Fidan Samet and Oguz Bakir
Abstract要約: 本稿では,CycleGANを用いたハゲマンツーヘアマン翻訳というコンピュータビジョンコースプロジェクトについて紹介する。 CycleGANアーキテクチャの上に、より現実的な結果を得るために知覚的損失を利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work presents our computer vision course project called bald men-to-hairy men translation using CycleGAN. On top of CycleGAN architecture, we utilize perceptual loss in order to achieve more realistic results. We also integrate conditional constrains to obtain different stylized and colored hairs on bald men. We conducted extensive experiments and present qualitative results in this paper. Our code and models are available at https://github.com/fidansamet/GANiry.
Abstract（参考訳）: 本稿では,CycleGANを用いたハゲマンツーヘアマン翻訳というコンピュータビジョンコースプロジェクトについて紹介する。 CycleGANアーキテクチャの上に、より現実的な結果を得るために知覚損失を利用する。また, 条件制約を組み合わさって, ハゲ男に異なるスタイルの髪と着色髪を得る。本稿では,広範囲な実験を行い,定性的な結果を得た。私たちのコードとモデルはhttps://github.com/fidansamet/ganiryで利用可能です。

関連論文リスト

Perm: A Parametric Representation for Multi-Style 3D Hair Modeling [22.790597419351528]
Permは、さまざまな毛髪関連の応用を促進するために設計された人間の3D毛髪のパラメトリックモデルである。周波数領域におけるPCAに基づくストランド表現を用いて,グローバルヘア形状と局所ストランド詳細をアンタングル化することを提案する。これらのテクスチャは後に異なる生成モデルでパラメータ化され、ヘアモデリングプロセスの一般的な段階をエミュレートする。
論文参考訳（メタデータ） (2024-07-28T10:05:11Z)
Stable-Hair: Real-World Hair Transfer via Diffusion Model [23.500330976568296]
現在のヘアトランスファー法は多様で複雑なヘアスタイルを扱うのに苦労しており、現実のシナリオでは適用性が制限される。そこで本研究では,現実世界のヘアスタイルを仮想ヘアトライオンのためにユーザが提供する顔に堅牢に転送する,新しい拡散型ヘアトランスファーフレームワークであるtextitStable-Hairを提案する。
論文参考訳（メタデータ） (2024-07-19T07:14:23Z)
MonoHair: High-Fidelity Hair Modeling from a Monocular Video [40.27026803872373]
MonoHairはモノクロビデオから高忠実度毛髪再構築を実現するための汎用フレームワークである。提案手法は, 毛髪のモデリング過程を, 正確な外装再構築と内部構造推定の2つの段階に分岐させる。実験により,本手法は多彩なヘアスタイルにまたがって頑健性を示し,最先端の性能を実現していることが示された。
論文参考訳（メタデータ） (2024-03-27T08:48:47Z)
GaussianStyle: Gaussian Head Avatar via StyleGAN [64.85782838199427]
本稿では,3DGSのボリューム強度とStyleGANの強力な暗黙表現を統合する新しいフレームワークを提案する。提案手法は, 再現性, 新規なビュー合成, アニメーションにおける最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-01T18:14:42Z)
HAAR: Text-Conditioned Generative Model of 3D Strand-based Human Hairstyles [85.12672855502517]
そこで本研究では,3次元ヘアスタイルのための新しいストランドベース生成モデルであるHAARについて紹介する。テキスト入力に基づいて、HAARは現代のコンピュータグラフィックスエンジンで生産レベルの資産として使用できる3Dヘアスタイルを生成する。
論文参考訳（メタデータ） (2023-12-18T19:19:32Z)
Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文参考訳（メタデータ） (2022-10-02T13:19:48Z)
HVH: Learning a Hybrid Neural Volumetric Representation for Dynamic Hair Performance Capture [11.645769995924548]
ライフスタイルの毛髪を捕えることは、その微細な幾何学的構造、複雑な物理的相互作用、そして非自明な視覚的外観のために特に困難である。本稿では,数千のプリミティブで構成された斬新な容積表現を用いる。提案手法は,記録されたマルチビューシーケンスのリアルなレンダリングを生成するだけでなく,新しい制御信号を提供することで,新しいヘア構成のレンダリングを生成する。
論文参考訳（メタデータ） (2021-12-13T18:57:50Z)
Vit-GAN: Image-to-image Translation with Vision Transformes and Conditional GANS [0.0]
本稿では,画像から画像への変換処理のほとんどを可能にする汎用アーキテクチャであるVit-Ganを開発した。得られた結果は、一般的に使用されるアーキテクチャよりも現実的であることが観察された。
論文参考訳（メタデータ） (2021-10-11T18:09:16Z)
MichiGAN: Multi-Input-Conditioned Hair Image Generation for Portrait Editing [122.82964863607938]
MichiGANはインタラクティブな顔料の毛髪操作のための条件付き画像生成手法である。我々は, 形状, 構造, 外観, 背景など, 主要毛髪の視覚的要因のすべてをユーザコントロールする。また,直感的かつ高レベルなユーザ入力を投影することで,髪の直感的な操作を可能にするインタラクティブな肖像画毛髪編集システムを構築した。
論文参考訳（メタデータ） (2020-10-30T17:59:10Z)
A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文参考訳（メタデータ） (2020-02-28T11:16:54Z)
Supervised and Unsupervised Learning of Parameterized Color Enhancement [112.88623543850224]
我々は、教師なし学習と教師なし学習の両方を用いて、画像翻訳タスクとしての色強調の問題に取り組む。我々は,MIT-Adobe FiveKベンチマークにおいて,教師付き(ペアデータ)と教師なし(ペアデータ)の2つの画像強調手法と比較して,最先端の結果が得られた。 20世紀初頭の写真や暗黒ビデオフレームに応用することで,本手法の一般化能力を示す。
論文参考訳（メタデータ） (2019-12-30T13:57:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。