Advertisement

【CVPR 2020】CelebA_HQ StarGan V2预训练模型100000_nets_ema.ckpt

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本预训练模型为基于CelebA-HQ数据集，通过StarGAN V2算法生成的高质量人脸图像，适用于人脸识别与变换任务。 【CVPR 2020】StarGan V2预训练模型celeba_hq/100000_nets_ema.ckpt

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 【CVPR 2020】CelebA_HQ StarGan V2预训练模型100000_nets_ema.ckpt
    优质
    本预训练模型为基于CelebA-HQ数据集，通过StarGAN V2算法生成的高质量人脸图像，适用于人脸识别与变换任务。 【CVPR 2020】StarGan V2预训练模型celeba_hq/100000_nets_ema.ckpt
     
  • 【CVPR 2020】StarGan V2的afhq/100000_nets_ema.ckpt预训练模型
    优质
    本作品介绍了CVPR 2020会议中的StarGAN V2模型，并提供了包含100,000张图片的AFHQ数据集上的预训练模型下载链接，助力图像生成研究。 【CVPR 2020】StarGan V2预训练模型afhq/100000_nets_ema.ckpt
     
  • 【CVPR 2020】StarGan V2的预训练模型wing.ckpt
    优质
    该简介对应的是CVPR 2020上提出的StarGAN V2的预训练模型wing.ckpt，用于执行多种图像到图像的转换任务。 【CVPR 2020】StarGan V2预训练模型wing.ckpt
     
  • Stargan-V2: StarGAN v2的官方PyTorch实现（CVPR 2020）
    优质
    简介：StarGAN-v2是继StarGAN之后的升级版模型，本项目提供了其官方的PyTorch实现。该代码在CVPR 2020上展示，并包含多种先进的图像到图像翻译功能。 StarGAN v2：多个域的多样化图像合成*，* *，*，在CVPR 2020中。（*表示相等贡献） 良好的图像到图像转换模型应学习不同视觉领域之间的映射，并且满足以下属性：1）生成图像的多样性和2）多领域的可扩展性。现有方法解决了其中一个问题——对于所有域而言，其多样性有限或需要多个独立模型。我们提出了StarGAN v2框架，它同时解决这两个问题并在基线之上显示出明显改善的结果。 在CelebA-HQ和新的动物面部Kong数据集（AFHQ）上的实验验证了我们在视觉质量、多样性和可伸缩性方面的优越表现。为了更好地评估图像到图像的翻译模型，我们发布了具有较大领域间及域内差异的高质量动物脸的数据集AFHQ。 StarGAN v2的相关代码、预训练模型和数据集可在clovaai stargan-v2中找到。
     
  • StarGAN-v2源码及预训练模型，可直接用于测试
    优质
    简介：StarGAN-v2是一款先进的图像到图像翻译模型，该资源提供其完整源码与预训练模型，用户无需额外准备，即可直接进行模型测试和应用开发。 人脸图像生成与AI换脸技术涉及使用人工智能来创建或替换照片中的面部特征。这项技术可以用于多种应用，包括娱乐、安全以及数字艺术创作等领域。在开发过程中，研究人员不断探索如何提高图像的真实感及细节水平，并确保这些工具的合法和道德使用。
     
  • Inception V2预训练模型
    优质
    Inception V2是Google开发的一种深度卷积神经网络架构的改进版本，基于ImageNet等大规模数据集进行过预训练，广泛应用于图像分类和识别任务。 当神经网络包含大量参数时，其性能最佳，并且能够作为强大的函数逼近器使用。然而，这需要对大规模数据集进行训练。由于从零开始训练模型可能耗时极长，通常需要几天到几周的时间，因此这里提供了一些预先训练好的模型供下载以节省时间和计算资源。
     
  • DeblurGAN V2预训练模型.zip
    优质
    DeblurGAN V2预训练模型是一款先进的图像去模糊工具，基于深度学习技术，能够高效地处理和增强模糊图片的质量。该模型经过大量数据训练，适用于多种应用场景，提供卓越的去噪与细节恢复能力。 deblurGAN V2预训练模型.zip
     
  • DeblurGAN-v2预训练模型与FPN-Inception
    优质
    DeblurGAN-v2预训练模型结合了改进的生成对抗网络架构，用于图像去模糊处理。FPN-Inception则引入特征金字塔网络以增强多尺度特征学习能力，两者协同提高图像清晰度和细节恢复效果。 对于无法从GitHub下载deblurgan_v2预训练模型权重fpn_inception的用户，这里提供一个替代方案。
     
  • TensorFlow 预训练 Inception-ResNet-V2
    优质
    TensorFlow预训练Inception-ResNet-V2模型基于Google开发的深度学习架构，适用于图像分类任务。经过大规模数据集训练，提供高精度识别能力。 对Inception-Resnet-V2进行预训练，在Scene15数据集上亲测有效。
     
  • Human36M预训练模型
    优质
    Human36M预训练模型是基于大规模人体运动数据集Human3.6M开发的一种深度学习模型，广泛应用于动作识别与姿态估计领域。 在Learnable Triangulation of Human Pose文章代码中的预训练模型与human36m数据集相关，包括基于体积和三角化的模型以及pose_resnet的预训练模型。这些文件应放置于data\pretrained目录下并解压。