Inicio Proyectos exposure
exposure

exposure

por yuanming-hu · GitHub

Aprendiendo procesamiento de imágenes de resolución infinita con GAN y RL a partir de conjuntos de datos de imágenes no emparejadas, utilizando un modelo de edición de fotos diferenciable.

Ver en GitHub
En palabras simples

Aprenda a procesar imágenes de alta resolución utilizando técnicas avanzadas de conjuntos de datos no emparejados con este modelo.

⭐ Estrellas
🍴 Ramas
📜 Licencia
Uso comercial permitido
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
exposure — GitHub preview card
📈 Historial de estrellas
782781
2026-07-202026-07-29
📈 Sigue exposure

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Aprendiendo procesamiento de imágenes de resolución infinita con GAN y RL a partir de conjuntos de datos de imágenes no emparejadas, utilizando un modelo de edición de fotos diferenciable.

exposure tiene 781 estrellas en GitHub. Se ha bifurcado 156 veces. exposure está escrito principalmente en Python. Se desarrolla activamente desde 2018. exposure está disponible bajo la licencia MIT. Sus temas principales son: computational-photography, deep-learning, gan, generative-adversarial-network.

Frequently asked questions

¿Qué es exposure?

Aprendiendo procesamiento de imágenes de resolución infinita con GAN y RL a partir de conjuntos de datos de imágenes no emparejadas, utilizando un modelo de edición de fotos diferenciable.

¿exposure es de código abierto?

exposure es un proyecto de código abierto. Se distribuye bajo la licencia MIT.

¿exposure es gratis?

Sí. exposure es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está exposure?

exposure está disponible bajo la licencia MIT.

¿En qué lenguaje está escrito exposure?

exposure está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
OpenSourceAI badge — exposure

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=yuanming-hu-exposure)](https://opensourceai.tech/project/yuanming-hu-exposure.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
the-gan-zoo
¡Una lista de todos los GANs nombrados!
14.7k · gan
compartegenerative-adversarial-networkgan
HiDT
Repositorio oficial para el artículo "Traducción diurna de alta resolución sin etiquetas de dom…
651 · computational-photography
compartecomputational-photographygenerative-adversarial-network
Deep-Exemplar-based-Video-Colorization
El código fuente del artículo de CVPR 2019 "Colorización de Video Basada en Ejemplares Profundo…
372 · colorization
compartegenerative-adversarial-networkgan
BlendGAN
Implementación oficial en PyTorch de "BlendGAN: Mezcla Implícita de GAN para Generación de Rost…
498 · gan
compartegenerative-adversarial-networkgan
generative-compression
Implementación de TensorFlow de Redes Generativas Antagónicas para Compresión de Imágenes Apren…
533 · computer-vision
compartegenerative-adversarial-networkgan
ganspace
Descubriendo Controles GAN Interpretables [NeurIPS 2020]
1.8k · deep-learning
compartegenerative-adversarial-networkgan
musegan
Una IA para Generación Musical
2k · gan
compartegenerative-adversarial-networkgan
makegirlsmoe_web
Crea personajes de anime con MakeGirlsMoe
3.4k · anime
compartegenerative-adversarial-networkgan
pytorch-pretrained-BigGAN
🦋 Una implementación de PyTorch de BigGAN con pesos preentrenados y scripts de conversión.
1k · artificial-intelligence
compartegenerative-adversarial-networkgan
T2F
T2F: generación de texto a cara utilizando Deep Learning
546 · adversarial-machine-learning
compartegenerative-adversarial-networkgan

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.