Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00331371" target="_blank" >RIV/68407700:21230/19:00331371 - isvavai.cz</a>

Výsledek na webu

<a href="https://dcgi.fel.cvut.cz/home/sykorad/facestyleGAN.html" target="_blank" >https://dcgi.fel.cvut.cz/home/sykorad/facestyleGAN.html</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.2312/exp.20191074" target="_blank" >10.2312/exp.20191074</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network

Popis výsledku v původním jazyce

We present a learning-based style transfer algorithm for human portraits which significantly outperforms current state-of-the-art in computational overhead while still maintaining comparable visual quality. We show how to design a conditional generative adversarial network capable to reproduce the output of Fišer et al.'s patch-based method that is slow to compute but can deliver state-of-the-art visual quality. Since the resulting end-to-end network can be evaluated quickly on current consumer GPUs, our solution enables first real-time high-quality style transfer to facial videos that runs at interactive frame rates. Moreover, in cases when the original algorithmic approach of Fišer et al. fails our network can provide a more visually pleasing result thanks to generalization. We demonstrate the practical utility of our approach on a variety of different styles and target subjects.

Název v anglickém jazyce

Real-Time Patch-Based Stylization of Portraits Using Generative Adversarial Network

Popis výsledku anglicky

We present a learning-based style transfer algorithm for human portraits which significantly outperforms current state-of-the-art in computational overhead while still maintaining comparable visual quality. We show how to design a conditional generative adversarial network capable to reproduce the output of Fišer et al.'s patch-based method that is slow to compute but can deliver state-of-the-art visual quality. Since the resulting end-to-end network can be evaluated quickly on current consumer GPUs, our solution enables first real-time high-quality style transfer to facial videos that runs at interactive frame rates. Moreover, in cases when the original algorithmic approach of Fišer et al. fails our network can provide a more visually pleasing result thanks to generalization. We demonstrate the practical utility of our approach on a variety of different styles and target subjects.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 8th ACM/EG Expressive Symposium

ISBN

978-3-03868-078-9

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

33-42

Název nakladatele

Eurographics Association

Místo vydání

Aire-la-Ville

Místo konání akce

Janov

Datum konání akce

5. 5. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—