该项目的论文被SIGGRAPH 2023 收录，论文以 StyleGAN2 架构为基础，实现了 “Drag” 关键点就能轻松 P 图的效果。
https://github.com/XingangPan/DragGAN
https://vcai.mpi-inf.mpg.de/projects/DragGAN/
在官方 Demo 中，作者轻触鼠标，一拖一拽，让狗狗微笑、让猫咪"Wink"、让倒影拉长、让太阳升起…完美贴合现实世界的物理结构和物理逻辑。DragGAN 源代码正式放出，目前在 GitHub 上已有超过 20,000 颗星标。
根据论文中的介绍，DragGAN 是一种用于直观基于点的图像编辑的交互方法。利用预先训练的 GAN 来合成不仅精确跟随用户输入的图像，而且停留在真实图像的流形上。与之前的许多方法相比，是一个不依赖于特定领域的建模或辅助网络的通用框架。
这是基于两种新方法实现的：一是对隐编码的优化，这些隐编码增量地将多个抓取点移动到它们的目标位置；二是通过点跟踪过程来准确地跟踪抓取点的轨迹。这两个组件利用 GAN 中间特征图的判别质量来进行图像变形，实现交互性能。目前已经证明，此方法在基于 GAN 的操作中优于最先进的方法，并为使用生成先验的强大图像编辑开辟了新的方向。而对于未来的工作，作者计划将基于点的编辑扩展到 3D 生成模型。
原图1
测试一
测试二
测试三
原图2
测试一
测试二
原图3
测试
GAN网络起源
2014年，还在蒙特利尔读博士的Ian Goodfellow发表了论文《Generative Adversarial Networks》（网址： https://arxiv.org/abs/1406.2661），将生成对抗网络引入深度学习领域。
2016年，GAN热潮席卷AI领域顶级会议， 从ICLR到NIPS，大量高质量论文被发表和探讨。Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。
监督学习方法可以分为生成方法 (generative approach) 和判别方法 (discriminative approach)，所学到的模型分别称为生成模型 (generative model) 和判别模型 (discriminative model)。判别模型需要输入变量，通过某种模型来预测。生成模型是给定某种隐含信息，来随机产生观测数据。
常见的判别模型有线性回归、对数回归、线性判别分析、支持向量机、 boosting、条件随机场、神经网络等。常见的生成模型有隐马尔科夫模型、朴素贝叶斯模型、高斯混合模型、 LDA等。
参考文献
https://huggingface.co/spaces/DragGan/DragGan
https://openxlab.org.cn/apps/detail/XingangPan/DragGAN文章来源：https://www.toymoban.com/news/detail-619532.html
https://zhuanlan.zhihu.com/p/639963515文章来源地址https://www.toymoban.com/news/detail-619532.html
到了这里，关于DragGAN：用崭新的方式进行图像处理的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
