- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习炼丹术
生成专题2 | 图像生成评价指标FID
FID依然是表示生成图像的多样性和质量，为什么FID越小，则图像多样性越好，质量越好。 FID的计算器中，我们也是用了inception network网络。 inception netowrk其实就是特征提取的网络，最后一层输出图像的类别。不过我们会去除最后的全连接或者池化层，使得我们得到一个2048维度的特征。 对于我们已经拥有的真实图片，所有真实图片的提取的向量是服从一个分布的；对于用GAN生成的图片对应的高位向量特征也是服从一个分布的。如果两个分布相同，那么意味着GAN生成图片的真实程度很高。 x和g表示真实的图片和生成的图片， 表示均值， 是协方差矩阵。 较低的FID表示两个分布更为接近。 sigma2 = act2.mean(axis=0), cov(act2, rowvar=False) # calculate sum squared difference between means
3.6K20编辑于 2022-03-15 - 来自专栏开源心路
AI绘画Imagen大力出奇迹生成图像
AI绘画Imagen大力出奇迹生成图像 介绍 Imagen是一个文本到图像的扩散模型，由Google大脑团队研究所开发。 Imagen与unCLIP的区别：Imagen使用T5模型来生成文本表征，然后通过一个扩散过程生成图像，而不是优化图像以匹配预训练的文本-图像嵌入。 这个过程对于稳定训练和提高最终图像生成质量至关重要。 ) # 条件缩放因子，控制图像生成的一致性 images.shape # 输出图像的形状 (2, 3, 256, 256) imagen_pytorch 库进行无条件图像生成的训练，即不依赖于文本输入 代码中先对一组随机生成的图像数据进行训练，然后更新模型。最后，从训练好的模型中无条件地采样生成图像。这个过程演示了如何在不依赖文本输入的情况下使用Imagen模型进行图像生成。
79510编辑于 2023-12-27 - 来自专栏又见苍岚
Windows 11 体验 Stable Diffusion AI 图像生成
Stable Diffusion 已经发展到可以生成以假乱真图像的程度，无论是 AI 作画还是照片生成都已经可以生成得很精细，本文记录使用过程。 简介 网上最近突然多了很多好看的图，后来发觉八成是 AI 图像的优质化和平民化导致的了，自己是没有那个实力和时间以及设备训练模型了，跟风本地跑一跑玩一玩~ 这里先介绍两个网站，对于有能力探寻更深入的人会有所帮助 LoRA（Low-Rank Adaptation of Large Language Models）粗略地讲就是利用少量的图像来对 AI 进行额外学习训练，并在一定程度上控制结果。 访问 http://127.0.0.1:7860/，选择模型，输入关键词可以体验生成图像啦 ~ 此处 Prompt 代表你想要生成的元素，而 Negative prompt 代表你想要避免出现的元素， 选择提示词是一门很神奇的学问，对生成图像的质量至关重要。
2.7K00编辑于 2023-03-28 - 来自专栏新智元
英伟达发布最强图像生成器StyleGAN2，生成图像逼真到吓人
今天，英伟达的研究人员发布了升级版——StyleGAN2，重点修复特征伪影问题，并进一步提高了生成图像的质量。 StyleGAN是NVIDIA去年发布的一个新的图像生成方法，并于今年2月开源。 今天，NVIDIA的研究人员发布了StyleGAN的升级版——StyleGAN2，重点修复artifacts问题，并进一步提高了生成图像的质量。 ? ? StyleGAN2生成的图像 主要改进包括： 生成的图像质量明显更好(FID分数更高、artifacts减少) 提出替代progressive growing的新方法，牙齿、眼睛等细节更完美 改善了Style-mixing 更平滑的插值(额外的正则化) 训练速度更快 英伟达StyleGAN2 重新设计StyleGAN图像合成网络 StyleGAN的显著特点是其非常规的生成器架构。 Precision和Recall (P&R)通过明确量化生成的与训练数据相似的图像的百分比和可以生成的训练数据的百分比，提供了额外的可见性。我们使用这些指标来量化StyleGAN2的改进。 ?
3.2K20发布于 2019-12-18 - 来自专栏AI
图像生成
学习如何在API中使用DALL·E生成或操作图像。想要在ChatGPT中生成图像吗？请访问chat.openai.com。 想要尝试DALL·E 2，请查看DALL·E预览应用。用法生成图像生成端点允许您根据文本提示创建原始图像。 默认情况下，图像以标准质量生成，但在使用DALL·E 3时，您可以设置quality："hd"以获得增强的细节。方形、标准质量的图像生成速度最快。 变体（仅适用于DALL·E 2）图像变体端点允许您生成给定图像的变体。 response.data[0].url)except openai.OpenAIError as e: print(e.http_status) print(e.error)官网博客 - 从零开始学AI
76210编辑于 2024-04-21 - 来自专栏深度学习教程
基于StyleGan2的图像生成基本操作
/download.jetbrains.com/python/pycharm-professional-2021.3.3.exe 安装Pycharm.png 安装Git-1.png 安装Git-2. /pyspng-0.1.0-cp310-cp310-win_amd64.whl 7、StyleGANv2运行小问题解决 首先需要修改custum_ops文件中的路径： stylegan2配置-1. -2.png 8、准备数据集 以metfaces数据集为例 下载链接（自己解决连通性问题）： https://drive.google.com/open? id=1iChdwdW7mZFUyivKtDwL8ehCNhYKQz6D 数据集准备-1.png 数据集准备-2.png 9、开始训练 python train.py -- outdir=. Nvidia控制面板tip1.png Nvidia控制面板tip-2.png Nvidia控制面板tip-3.png
3.5K41编辑于 2022-05-01 - 来自专栏云云众生s
在Jupyter Notebook中显示AI生成的图像
AI及其相关技术，例如OpenAI，可以使许多流程变得轻松。使用合适的工具，您可以将想法转化为创意，通过将文本转换为生成的图像并使用数字媒体管理工具Cloudinary将其存储在云中。 OpenAI的高智能图像API使得显示AI生成的图像成为可能。该API提供从头开始生成原始图像、根据文本提示编辑现有图像以及创建图像变体的方法。 以上代码中的导入语句将使用存储的Cloudinary AI生成的图像的URL以可视方式显示图像，而不是仅显示图像的URL。requests库发出HTTP请求。 它使用图像生成端点根据变量response中的文本提示创建原始图像。 属性n = 1指示模型一次只生成一张图像。 来自OpenAI API的生成的输出图像 Cloudinary中上传的AI生成的图像 项目的完整源代码，请使用这个gist或Google Colab中的这个notebook。 结论 已经有灵感了吗？
8.6K10编辑于 2024-11-22 - 来自专栏程序那些事儿
ImageFX，谷歌 AI 图像生成的新篇章
ImageFX 是一个实验性的图像生成工具，它利用了 Imagen 2——Google DeepMind 最新的文本到图像的 AI 模型，为用户提供了一个强大的平台，以简单的文本提示快速生成高质量的图像 安全与隐私的守护者 为了确保内容的安全性和隐私保护，所有通过 ImageFX 生成的图像以及使用 MusicFX 制作的音频都采用了 SynthID 技术进行数字水印标记。 透明的 IPTC 元数据 除了 SynthID 水印，ImageFX 生成的图像还包含了 IPTC 元数据，这为用户提供了更多关于 AI 生成图像的信息。 总结 ImageFX 不仅是一个图像生成工具，它更是一个创意探索的平台，如果你觉得 gemini 生成的图片还不是很满意，那么你可以尝试下谷歌的这个 ImageFX。 随着技术的不断进步和用户反馈的积累，ImageFX 有望成为创意产业中不可或缺的工具之一，开启 AI 图像生成的新篇章。
2K10编辑于 2024-05-03 - 来自专栏Python编程 pyqt matplotlib
Diffusion Modes由文本生成图像（AI绘画）
Diffusion Modes（扩散模型）是当前最火热的由文本生成图像的模型。 Stability.ai 公司提供了在线文本生成图像的网站 DreamStudio 下面是我输入文本后由扩散模型生产的图片： cat beatiful girl, snow beatiful woman 这幅有点翻车 puppy，fight with cat 除了在网页上在线让AI绘画外，还可以将API下载到本地，设置好环境变量和API key 后，在命令行输入命令进行AI绘图。
93720编辑于 2022-11-18 - 来自专栏ATYUN订阅号
AI与艺术相结合：2018年AI生成图像TOP 5
2018年是AI与艺术结合爆发的一年，数千个AI生成的图像在互联网上传播。以下是2018年这一类型中最好的五个图像，以及评选者对AI当前和未来状态的看法。 AI生成的图像可以帮助我们理解AI的思维 2018年图像生成的最大突破之一是由谷歌实习生Andrew Brock创建的名为BigGAN的算法。 他利用谷歌庞大的计算能力创造了一个复杂的神经网络，他训练的图像远远超过大多数研究人员。 ? 结果产生了令人难以置信的纹理的图像，与以前的视觉AI世界全然不同。神经网络产生的狗看起来就跟真的一样。 上面的图像从技术上说并非由AI生成，但它是AI产生的视觉文化的重要人工制品。这是艺术家如何使用传统媒体来阐明算法社会的问题本质的一个例子。 而机器人生成虚假地图只是时间问题。毕竟，我们的视觉文化与我们的政治文化是一致的。
1.3K20发布于 2018-12-29 AI图像生成模型一致性角色生成技术对比
生成一致性角色的技术演进过去，生成一致性角色图像的最佳方法依赖于训练好的LoRA模型。这需要创建一个图像数据集，然后在FLUX LoRA上进行训练。 现在，已经可以选择能从单一参考图像中准确完成此任务的先进图像模型。本文将重点介绍哪些模型可以做到这一点，以及根据需求哪个是最佳选择。 最佳的一致性角色生成模型截至2025年7月，有四个模型能够根据单一参考图像创建逼真且准确的输出。 Gen-4 输出了最佳的女巫图像，但也生成了最不像的兽人。在这个示例中，Kontext Pro 不愿意创建蓝色纳美人的图像，因此展示的是 Kontext Dev 的结果。 输出通常较柔和，看起来更像AI生成。在复杂场景中，连贯性也是个问题。某机构的 Gen-4 在照片的相似度方面是最具适应性和最准确的。
42200编辑于 2026-01-04- 来自专栏后端架构
生成式之Pix2Pix实现图像转换
前言 Pix2Pix是一种基于条件生成对抗网络的深度学习图像转换模型，可以实现多种图像之间的转换，如语义/标签到真实图片、灰度图到彩色图等。 基础原理 cGAN的生成器利用输入图片作为指导信息，生成用于迷惑判别器的“假”图像，而传统GAN的生成器是基于随机噪声生成图像。 在Pix2Pix中，判别器判断生成器输出的图像是真实的训练图像还是“假”图像。在不断博弈过程中，模型达到平衡点，生成器输出的图像使得判别器具有50%的概率判断正确。 训练结果集 总结 本文介绍了如何使用Pix2Pix神经网络模型实现图像转换任务。文章首先介绍了Pix2Pix的基础原理,包括生成器和判别器的网络结构和训练目标函数。 然后详细讲解了如何使用MindSpore框架搭建Pix2Pix生成器和判别器网络,以及如何进行模型训练和推理。最后展示了训练后的模型在测试集上的生成效果
62610编辑于 2024-07-21 - 来自专栏DevOps
AIGC：基于StyleGan2的图像生成基本操作
1、安装装win11 由于镜像问题，需要手动使用傲梅分区助手扩容系统盘 2、安装Tesla T4驱动 下载地址：https://cn.download.nvidia.com/tesla/511.65/511.65 =1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 安装Anaconda 配置Cuda，CUDNN转 【6、拉取stylegan2仓库 】 5、测试性能 测试代码来自：PyTorch- 笔记本Nvidia MX250 显卡模型推理性能测试 6、拉取stylegan2仓库 安装requirements前需要安装vs community /pyspng-0.1.0-cp310-cp310-win_amd64.whl 7、StyleGANv2运行小问题解决 首先需要修改custum_ops文件中的路径： 然后需要下载安装CudaToolKit
35110编辑于 2024-03-29 - 来自专栏深度学习与计算机视觉
图像生成：SaGAN
1)=0G_{2}(1)=0G2(1)=0这样，使用两个模型； 由于spatial attention的引入，SaGAN对属性无关区域的保留非常出色，如何要使用GAN做人脸识别增广的话，这一点会变的尤其重要 上图就是SaGAN的网络结构，例子是将一个戴眼镜的人脸图像III生成不戴眼镜的人脸图像I^\hat{I}I^。 首先是生成器部分G，它的输入是原始图像III和属性控制信号ccc，负责输出修改后的图像I^\hat{I}I^： I^=G(I,c)\hat{I}=G(I,c)I^=G(I,c) 生成器又拆分为两个网络 判别器部分D也有两部分，分别是原始的DsrcD_{src}Dsrc和增加的DclsD_{cls}Dcls，分别用来评价图像生成的效果和属性编辑的效果。 G损失，由于判别器有DsrcD_{src}Dsrc和DclsD_{cls}Dcls两个部分，所以生成器G也要有两个对应的损失函数，分别是固定判别器时生成更真实的图像LsrcGL_{src}^{G}LsrcG
1.3K30发布于 2019-09-25 - 来自专栏深度学习与计算机视觉
图像生成：GAN
本文链接：https://blog.csdn.net/chaipp0607/article/details/100859215 简介 GAN，即生成对抗模型，是图像生成领域内的一种重要方法，它在2014 G(z)G(z)G(z)就是最后生成出来的图像。 GAN原理 GAN结构 ? 对于生成器G，希望生成的图像G(z)G(z)G(z)无限逼近于真实图像，而对于判别器D，希望无论生成的图像G(z)G(z)G(z)有多真实，判别器总是能把他和真实的图像区分开，所以说GAN是一个G和D博弈的过程 GAN和VAE VAE一般采用MSE评估生成图像，即每一个像素上的均方差，这样会使生成的图像变得模糊。但是VAE由于自身是带条件控制的，所以VAE不会生成很多奇奇怪怪的图像。 GAN采用判别器评估生成的图像，由于没了均方误差损失，所以GAN生成图像更清晰，但是由于GAN很难训练，同时原始的GAN没有条件控制的能力，所以GAN生成的图像有些会很奇怪。
1.2K41发布于 2019-09-18 - 来自专栏AI科技大本营的专栏
玩转3D全息图像！AI即刻生成
计算繁琐的菲涅耳衍射仿真在图像质量和运行时间两者之间有很大的矛盾，利用传统技术生成全息图需要一台超级计算机进行物理模拟，非常耗费资源，并且产生的三维效果不如真实感。 研究人员利用计算机模拟光学设置生成全息图像，但是实现这一过程需要非常大的计算量。 因为三维场景中的每个点都有不同的深度，因此无法对所有这些点都应用相同的操作，极大地增加了计算复杂性。 较高的交织速率会降低网络容量，并以较低的图像质量换取更快的运行时间。 在实践中，研究人员比较了三种不同的网络小型化方法：(1)减少卷积层数；(2)使用高交错率；(3)减少每个卷积层的滤波器数量。 在相等的运行时间下，方法(1)(使用较少的卷积层)可为实验任务提供最高的图像质量；方法(3)导致最低的图像质量，因为CNN模型包含的滤镜数量最少，方法(3)的滤镜数量为240，而方法(1)和(2)的滤镜数量分别为 360或1,440，而方法(2)的效果不如方法(1)，主要是因为相邻像素分散在各个通道中，因此很难对其相互作用进行推理。
1.8K20发布于 2021-03-25 AI 文本生成图像技术是如何运作的
近年来，AI 文本生成图像技术取得了长足进步。十年前，谁能想到，只需要输入一段文字描述，比如“粉红色独角兽在做瑜伽”，AI 就能生成一张图像？但现在，这种技术已经成为现实。 AI 是如何从文字生成图像的？简单来说，这个过程包括几个关键步骤：数据学习：AI 首先要学会识别物体。 持续改进：生成器和鉴别器会不断“较量”，生成器努力生成更逼真的图像，而鉴别器不断挑出其中的不足。这种反复训练让 AI 生成的图像质量越来越高。 最终生成图像：经过训练，AI 可以根据任何输入生成相应的图像。无论是“打篮球的机器人”还是“糖果做成的海盗船”，AI 都能将这些描述转换为视觉图像。有哪些好用的AI文本生成图像工具？ 未来的应用场景AI 文本生成图像技术的应用远不止是玩玩而已，它在各个行业都有潜在的广泛用途：内容创作：无论是写作还是制作营销材料，AI 能够即时生成与内容相关的图像，节省大量时间。
1.6K10编辑于 2024-09-10- 来自专栏AIGC新知
AI影视系列：图像生成（1） | 关于AI绘画的那些工具盘点
原理涉及文本理解、图像生成、优化与反馈等多个步骤，使用了transformer架构和多种图像合成技术。 相较于MJ等其他AI绘画工具，他可以听懂大白话，帮助用户实现脑中的想法。 一个头发灰白, 但精致梳理的老头, 在河边钓鱼 2. 一个双马尾的小女孩, 在老人旁边默默地盯着水面 3. 老人抬杆, 中了一尾红色鲤鱼 4. ideogram 2.0 Ideogram是一个文本到图像的AI生成工具，它让创意表达变得轻松、有趣，同时效率倍增。 目前支持： AI文本到图像生成：输入简单的文本提示词描述即可生成各种场景和画面 多种风格的创意表达：支持如摄影、插画、3D、海报、时尚、动漫、建筑、艺术字等多种图像风格 灵活的图像尺寸比例：Ideogram AI目前提供10:16、1:1和16:10三种不同比例的图像生成 支持图像混合模式：用户可选择图像进行remix，使用新的提示词将现有图像进行微调和更改风格 ideogram支持写实、设计、3D、动漫等类别风格
77910编辑于 2024-10-08 - 来自专栏机器学习与生成对抗网络
StarGAN第2版：多域多样性图像生成
前言 StarGAN v2: Diverse Image Synthesis for Multiple Domains （多域多样性图像合成） https://github.com/clovaai/stargan-v2 https://arxiv.org/abs/1912.01865 CVPR 2020 1 概要 一个好的图像转换模型应可以学习不同图像域间的映射，同时：1）生成图像多样化；2）在多个域上具有可扩展性。 注意到生成器接收固定的标签（例如one-hot向量）作为输入，在给定源图像下，每个域都产生相同输出。 3 网络结构 本文提出的StarGAN v2，是一种可扩展的方法，可跨多个域生成不同的图像。 图像都是从Flickr1和png2网站收集（具有许可），所有图像垂直和水平对齐、以眼睛居中，低质量的图像被人为丢弃，已在https://github.com/clovaai/stargan-v2提供。 7 结论 提出StarGAN v2解决了图像转换的两个主要挑战；将一个域的图像转换为目标域的多种图像，并支持多个目标域。
1.4K30发布于 2020-06-11 Veo2与Imagen3视频图像生成技术
使用Veo 2和Imagen 3实现先进的视频与图像生成Veo 2：最先进的视频生成Veo 2能够创建涵盖广泛主题和风格的高质量视频。在与领先模型进行的人工评估对比中，Veo 2取得了最先进的结果。 通过VideoFX、YouTube和Vertex AI逐步推出，以便识别、理解和改进模型的质量与安全性。 与所有图像视频生成模型一样，Veo 2的输出包含不可见的SynthID水印，用于标识AI生成内容，减少错误信息和归属错误的风险。 Imagen 3：最先进的图像生成改进后的Imagen 3图像生成模型能够生成更明亮、构图更佳的图像，能以更高精度呈现从写实到印象派、抽象到动漫等多种艺术风格。 在与领先图像生成模型的人工对比评估中，Imagen 3达到了最先进水平。即日起，最新Imagen 3模型将在Google Labs的图像生成工具ImageFX中向100多个国家全球推出。
7310编辑于 2026-04-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号