Auramask Ensemble Moon

由 logasja 开发

该模型使用改进的vnet架构进行2D图像处理，专注于图像到图像的转换任务，具有对抗性和美学优化特性。

图像生成开源协议:Gpl-3.0 #对抗性图像增强 #美学质量优化 #人脸特征保持

下载量 17

发布时间 : 3/2/2025

模型介绍

内容详情

替代品

模型简介

一个基于Keras实现的改进vnet架构，用于高质量的图像到图像转换，特别注重人脸特征的保持和美学质量的提升。

模型特点

多特征损失优化

结合ArcFace和VGG-Face特征提取器，确保人脸特征的保持

美学质量评估

使用TopIQ-FR和IQASSIMC指标优化输出图像的美学质量

对抗性训练

模型标签中包含对抗性特性，可能增强了模型对输入扰动的鲁棒性

高效架构设计

采用改进的vnet架构，支持256×256分辨率输入，批处理大小32

模型能力

图像风格转换

人脸特征保持

美学质量提升

对抗性图像生成

使用案例

图像增强

人脸照片美化

提升人像照片的美学质量同时保持面部特征

输出图像在保持身份特征的同时改善了美学评分

创意设计

艺术滤镜应用

为图像应用具有美学效果的创意滤镜

生成具有艺术风格且保持原始内容的图像

库名称: keras 组件:

文本: 输入输出: 链接: ./assets/input.png
文本: 目标输出: 链接: ./assets/target.png
文本: 输出输出: 链接: ./assets/output.png 标签:
对抗性
美学
质量
滤镜管道标签: 图像到图像评估指标:
TopIQ-FR
ArcFace余弦距离
VGGFace2余弦距离数据集:
logasja/FDF 基础模型:
vnet
logasja/ArcFace
logasja/VGGFace 许可证: gpl-3.0

<图库 />

训练日志见此

模型描述

该模型使用改进的vnet进行2D输入/输出处理，实现代码见此，配置如下。

{
    "激活函数": "ReLU",
    "批归一化": false,
    "滤波器数量": [
        128,
        256,
        512,
        1024,
        1024
    ],
    "标签数": 3,
    "输出激活函数": "tanh",
    "池化": false,
    "初始残差数": 1,
    "最大残差数": 3,
    "反池化": false
}

{
    "学习率": 0.0001,
    "批大小": 32,
    "训练轮次": 500,
    "epsilon": 1,
    "输入尺寸": "(256, 256)",
    "损失函数": {
        "FEAT_ArcFace": {
            "距离度量": "余弦相似度",
            "特征提取器": "ArcFace",
            "名称": "FEAT_ArcFace",
            "归约方式": "批内求和",
            "阈值": 0.68,
            "权重": 0.05
        },
        "FEAT_VGG-Face": {
            "距离度量": "余弦相似度",
            "特征提取器": "VGG-Face",
            "名称": "FEAT_VGG-Face",
            "归约方式": "批内求和",
            "阈值": 0.68,
            "权重": 0.05
        },
        "IQASSIMC": {
            "值越低越好": false,
            "名称": "IQASSIMC",
            "归约方式": "批内求和",
            "权重": 0.5
        },
        "TopIQ": {
            "全参考": true,
            "值越低越好": false,
            "名称": "TopIQ",
            "归约方式": "批内求和",
            "分数范围": "~0, ~1",
            "权重": 0.5
        }
    },
    "混合精度": true,
    "优化器": {
        "amsgrad": false,
        "beta_1": 0.9,
        "beta_2": 0.999,
        "梯度裁剪范数": null,
        "梯度裁剪值": null,
        "指数移动平均动量": 0.99,
        "EMA覆盖频率": null,
        "epsilon": 1e-07,
        "全局梯度裁剪": null,
        "梯度累积步数": null,
        "学习率": 9.999999747378752e-05,
        "损失缩放因子": null,
        "名称": "adamw",
        "使用EMA": false,
        "权重衰减": 0.004
    },
    "随机种子": "BIIIIIGSTRETCH",
    "测试集比例": 0.01,
    "训练集比例": 0.99
}