Awesome GitHub RepositoriesAdaptive Instance Normalization

StyleGAN is a TensorFlow-based generative adversarial network framework designed for the synthesis of high-resolution synthetic imagery. It utilizes a style-based generator architecture to create realistic visual assets from latent vectors, focusing on the production of high-fidelity images. The system incorporates style mixing and stochastic noise injection to control visual attributes and fine-grained details. It uses adaptive instance normalization and progressive resolution upsampling to manage image quality and variety across different resolutions. The framework covers the full lifecycl

StyleGAN2 is a TensorFlow generative adversarial network and image synthesis model designed to produce high-resolution synthetic visual content. It functions as a deep learning architecture that learns patterns from image datasets to synthesize new images. The project includes a latent space projection tool for mapping existing images to latent vectors to analyze their representation within a generative model. It also provides an image quality evaluation framework to measure the visual fidelity and diversity of synthetic outputs. The system covers the full generative pipeline, including imag

FastPhotoStyle es una herramienta de estilización de imágenes mediante IA y un framework de transferencia de estilo basado en deep learning. Funciona como un transformador de imágenes basado en características que aplica las propiedades visuales artísticas de una imagen de referencia a una fotografía objetivo utilizando redes neuronales profundas. El proyecto implementa la estilización de imágenes en tiempo real mediante una red feed-forward. Esto permite al sistema ejecutar transformaciones en una sola pasada en lugar de utilizar optimización iterativa. El framework cubre la edición de fotos con IA y efectos visuales de deep learning, centrándose específicamente en la transformación de texturas y colores de las imágenes para fusionar contenido fotográfico con estilos artísticos.

SPADE is a semantic image synthesis framework and generative adversarial network designed to transform semantic label maps into photorealistic images. It uses a spatially-adaptive normalization model to modulate activations based on semantic maps, ensuring that spatial layouts and details are preserved throughout the synthesis process. The project enables the generation of diverse image variations from a single semantic layout by integrating variational autoencoders and latent vector style control. These mechanisms allow for the adjustment of visual appearances and textures while keeping the

UGATIT es una red generativa adversaria no supervisada y un modelo de traducción de imagen a imagen implementado en TensorFlow. Sirve como la implementación de investigación oficial de un artículo de ICLR 2020, proporcionando un framework para convertir imágenes entre diferentes estilos visuales sin requerir ejemplos de entrenamiento emparejados. El sistema utiliza una red atencional generativa no supervisada y mapas de atención para deformar formas geométricas y modificar texturas durante el proceso de traducción. Emplea un framework de consistencia de ciclo para asegurar la calidad de la traducción al requerir que las imágenes regresen a su estado original después de cambios de dominio bidireccionales. El código base cubre el entrenamiento generativo adversario y la transformación geométrica de imágenes, utilizando arquitecturas de discriminador multiescala y normalización de instancia de capa adaptativa para refinar la calidad de la síntesis.

SimSwap es un framework de aprendizaje profundo para el intercambio de rostros y un procesador de medios de visión artificial construido con PyTorch. Funciona como una herramienta de síntesis de imágenes diseñada para reemplazar la identidad de una persona en imágenes y videos con un rostro objetivo utilizando un único modelo entrenado. El sistema opera como una herramienta de reemplazo de identidad de video que intercambia identidades entre fotogramas mientras preserva las expresiones y la iluminación originales de los medios fuente. Permite la manipulación de identidad digital y la producción de medios sintéticos mediante el mapeo automatizado de características faciales. El framework admite tanto la aplicación de modelos entrenados para intercambiar rostros en medios como la capacidad de entrenar modelos personalizados de intercambio de rostros utilizando conjuntos de datos de imágenes específicos.