论文标题：InfinityGAN: Towards Infinite-Resolution Image Synthesis

论文链接：https://arxiv.org/pdf/2104.03963.pdf

代码链接：https://github.com/hubert0527/infinityGAN

作者单位：加利福尼亚大学美熹德分校 & Snap Inc & 卡内基梅隆大学

我们提出了一个新的框架 InfinityGAN，用于生成任意大小的图像。该任务与几个关键挑战相关。首先，就计算和大视场训练数据的可用性而言，将现有模型缩放到任意大的图像尺寸是资源受限的。 InfinityGAN 以无缝的逐个补丁方式进行训练和推断，计算资源低。其次，大图像应该是局部和全局一致的，避免重复的模式，并且看起来很逼真。为了解决这些问题，InfinityGAN 解开了全局外观、局部结构和纹理。使用这个公式，我们可以生成以前无法达到的空间大小和细节水平的图像。实验评估证实，与基线相比，InfinityGAN 生成的图像具有更高的真实感，并且具有可并行推理的特征。最后，我们展示了通过我们的方法解锁的几个应用程序，例如空间风格融合、多模态外绘和中间图像。所有应用程序都可以使用任意输入和输出大小进行操作。 .

 

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除