XiaoMi-AI文件搜索系统
World File Search Systemstylegan
银翼杀手 - arXiv
ThisPersonDoesNotExist 。ThisPersonDoesNotExist (TPDNE) 于 2019 年走红，并实施了 NVIDIA 的 StyleGAN 解决方案。TPDNE 由 Phillip Wang 创立，旨在展示人工智能的力量、能力和滥用的迫在眉睫的威胁 [20] [20]。此外，*DoesNotExist 网站也已建立，以展示 StyleGAN 和人工智能生成图像的力量。TPDNE 在刷新时生成照片。目前，用户自定义很少，照片以 1024x1024 的分辨率生成。生成有时不完美。GeneratedPhotos 。GeneratedPhotos (GP) 让用户有机会根据背景、面部、年龄、性别自定义图像。它还提供了一种购买或订阅批量下载合成图像的措施。该工具的免费版本以 512x512 的分辨率生成照片，仅供个人使用。
使用ML
计算机工程系，Keystone工程学院摘要：室内设计中生成AI的整合已改变了传统方法，使设计师能够以令人印象深刻的效率探索新概念。本文介绍了领先的生成模型的比较研究，例如风格，变异自动编码器（VAE），PIX2PIX和强化学习（RL） - 在将草图转化为示意图中的效率上，以产生多样化的室内布局，并产生多样化的室内布局和优化空间。通过分析这些模型的结果，我们表明了它们创建独特的设计解决方案，同时增强美学吸引力。该研究强调了设计精度的实质性增强，强调了生成AI模型提升设计过程并创建更量身定制的内部解决方案的潜力。本调查检查了每个模型的方法和性能，并研究了使用生成AI推进室内设计领域的未来可能性。关键字：生成AI，室内设计，StyleGAN，差异自动编码器（VAE），PIX2PIX，增强学习指数术语：简介，目标，文献调查，方法论，结果和分析，结论
Mesogan：生成神经反射率壳
摘要我们介绍了Mesogan，这是一种生成3D神经纹理的模型。通过结合生成对抗网络（stylegan）和体积神经场渲染的优势，这种新的图形原始形式代表了中尺度的出现。原始性可以用作神经反射率壳的表面；表面上方的薄体积层，其外观参数由神经网络定义。为了构建神经外壳，我们首先使用带有仔细随机傅立叶特征的stylegan生成2D特征纹理，以支持任意尺寸的纹理而无需重复伪影。我们以学习的高度功能增强了2D功能纹理，这有助于神经场渲染器从2D纹理产生体积参数。为了促进过滤，并在当前硬件的内存约束中启用端到端培训，我们使用了层次结构纹理方法，并将模型训练在3D中尺度结构的多尺度合成数据集上。我们提出了一种在艺术参数上调节Mesogan的可能方法（例如，纤维长度，链的密度，照明方向），并演示并讨论整合基于物理的渲染器。
vtoonify：可控的高分辨率肖像视频风格转移
生成高质量的艺术肖像视频是计算机图形和视觉中的重要且理想的任务。尽管已经提出了一系列成功的肖像图像图像模型模型，但这些面向图像的方法在应用于视频（例如固定框架尺寸，面部对齐，缺失非种族细节和时间不一致的要求）时具有明显的局限性。在这项工作中，我们通过引入一个新颖的Vtoonify框架来研究具有挑战性的可控高分辨率肖像视频风格转移。具体而言，Vtoonify利用了基于编码器提取的多尺度内容功能的高质量艺术肖像来利用型号的中高分辨率层，以更好地保留框架详细信息。结果完全卷积体系结构接受可变大小的视频中的非对准面孔作为输入，从而有助于完整的面部区域，并在输出中自然动作。我们的框架与现有的基于样式的图像图像模型兼容，以将其扩展到视频化，并继承了这些模型的吸引力，以使其具有柔性风格的颜色和强度控制。这项工作分别为基于收藏和基于典范的肖像视频风格转移而建立在Toonify和Dualstylegan的基于Toonify和Dualstylegan的Vtoonify的两个实例化。广泛的实验结果证明了我们提出的VTOONIFY框架对现有甲基的有效性在生成具有灵活风格控件的高质量和临时艺术肖像视频方面的有效性。代码和预估计的模型可在我们的项目页面上找到：www.mmlab-ntu.com/project/vtoonify/。
stylitgan：通过潜在控制
图1。stylitgan在Stylegan的样式空间（W +）中标识方向向量（D I），当将其添加到W +样式代码中时，可以有效地修改生成的图像的照明，同时保留其几何形状和反击。此过程消除了每位图像搜索或模型微调的需求。第一列显示了从stylegan2生成的图像，随后的列说明了相同的场景，每个场景都使用特定方向进行重新保存。这些重新指示（D I）是通过向前选择方法得出的，可确保多样性并避免挑选樱桃。定向效应在不同的场景中保持一致：例如，D 1激活橙色的床头灯，D 2不太强烈的白色灯光灯，D 3引入了窗户的强烈方向光，依此类推，表现出多样化的型号的固定性功能。
brain2gan：灵长类动物大脑中视觉感知的特征性神经编码
神经编码的一个具有挑战性的目标是表征视觉影响的基础神经表示。为此，我们分析了猕猴视觉皮层的多单元活动与最新的深层生成模型的潜在表述，包括生成对抗网络的特征 - 触发器（即Style of Stylegan）的特征 - 触发器，而语言的差异差异网络的语言对比度表示。潜在表示的质量单变量神经编码分析表明，特征示词表示的解释越来越多的方差比腹侧流的替代表示更多。随后，对特征示意图表示的多元神经解码分析导致视觉感知的最新时空重建。综上所述，我们的结果不仅强调了特征 - 触发物在塑造视觉感知基础的高级神经表示中的重要作用，而且还可以成为神经编码未来的重要基准。
缩回：利用生成对抗网络进行皮肤病学中的痤疮数据集生成
摘要：背景：近年来，针对皮肤状况的计算机辅助诊断已取得了重大进展，主要是由人工智能（AI）解决方案驱动的。，尽管取得了这种进步，但支持AI的系统的效率仍然受到高质量和大规模数据集的稀缺性的阻碍，这主要是由于隐私问题所致。方法：本研究通过使用生成的对抗网络（GANS）创建具有不同痤疮严重程度（轻度，中度和严重）的人脸的合成数据集来规避与现实世界痤疮数据集相关的隐私问题。此外，三个对象检测模型 - Yolov5，Yolov8和detectron2-用于评估增强数据集检测痤疮的功效。结果：将StyleGAN与这些模型集成在一起，结果证明了平均平均精度（MAP）分数：Yolov5：73.5％，Yolov8：73.6％，检测2：37.7％。这些得分超过没有gan的地图。结论：这项研究强调了GAN在产生合成面部痤疮图像中的有效性，并强调了利用gans和卷积神经网络（CNN）模型的重要性，以进行准确的痤疮检测。
从自由形式草图生成肺癌 CT 图像...
医学成像中的人工智能 (AI) 应用在收集和使用大型数据集方面仍然面临困难。为解决此问题，一种建议的方法是使用生成对抗网络 (GAN) 生成的虚拟图像进行数据增强。然而，由于生成图像的质量和多样性，尚未探索将 GAN 用作数据增强技术。为了通过生成多样化图像来促进此类应用，本研究旨在使用基于 pix2pix 的模型从肿瘤草图生成自由形式的病变图像，该模型是一种源自 GAN 的图像到图像转换模型。由于 pix2pix 假设一对一图像生成，不适合数据增强，我们提出了 StylePix2pix，它经过独立改进，允许一对多图像生成。所提出的模型引入了来自 StyleGAN 的映射网络和样式块。基于医生创建的 20 幅肿瘤草图的图像生成结果表明，所提出的方法可以重现具有复杂形状的肿瘤。此外，StylePix2pix 的一对多图像生成表明其在数据增强应用中的有效性。
探索生物和人工神经网络在建筑环境中的交叉点，并研究支持设计过程演进的算法
摘要。本篇评论探讨了神经网络与建筑之间的关系，特别是在外观设计、室内设计和建筑施工领域。它研究了两种类型的神经网络：生物神经网络，代表人类大脑的神经系统；人工智能，受大脑结构和功能启发的计算系统。本研究对这些神经网络及其在各个领域的应用进行了描述性概述。它进一步研究了这些网络如何在不同层面与建筑相结合。该研究强调了“神经架构”的概念，它将人工神经网络 (ANN) 与建筑相结合，以产生多种设计可能性并揭示隐藏的模式。ANN 用于创建智能建筑和优化结构设计流程以降低成本。此外，该研究还探索了“神经架构”，它探索了生物神经网络 (BNN) 与建筑的相互作用，重点关注建筑环境对大脑和行为的影响。它结合了神经科学、建筑和环境心理学的原理。案例研究分析表明，“pix2pix”、GCNN、DCGAN、CycleGAN 和 StyleGAN 等 AI 工具在通过融合传统和现代风格以及增强创作过程来实现建筑设计的现代化方面的重要性。