၎င်းသည် စွမ်းရည်အမြင့်ဆုံး ဖန်တီးမှုဖြစ်သော ပုံတူရုပ်ရှင်များကို ထုတ်လုပ်ရန် ကွန်ပျူတာအမြင်နှင့် ဂရပ်ဖစ်တို့တွင် အရေးကြီးပြီး နှစ်လိုဖွယ်ကောင်းသော အလုပ်ဖြစ်သည်။
အစွမ်းထက်သော StyleGAN ကိုအခြေခံ၍ ပုံတူပုံတူရုပ်ပုံဖော်ခြင်းအတွက် ထိရောက်သောမော်ဒယ်အများအပြားကို အဆိုပြုထားသော်လည်း ဤရုပ်ပုံအသားပေးနည်းပညာများသည် ပုံသေဘောင်အရွယ်အစား၊ မျက်နှာချိန်ညှိမှုအတွက် လိုအပ်ချက်၊ မျက်နှာမဟုတ်သောအသေးစိတ်အချက်အလက်များမရှိခြင်းကဲ့သို့သော ဗီဒီယိုများနှင့်အသုံးပြုသည့်အခါ ရှင်းလင်းပြတ်သားသောအားနည်းချက်များရှိသည်။ နှင့် ခေတ္တမကိုက်ညီမှု။
တော်လှန်သော VToonify မူဘောင်ကို ခက်ခဲစွာ ထိန်းချုပ်ထားသော ရုပ်ထွက်မြင့် ပုံတူ ဗီဒီယိုစတိုင်လွှဲပြောင်းမှုကို ကိုင်တွယ်ဖြေရှင်းရန် အသုံးပြုသည်။
၎င်း၏လုပ်ဆောင်နိုင်စွမ်း၊ အားနည်းချက်များနှင့် အခြားအချက်များအပါအဝင် ဤဆောင်းပါးတွင် VToonify ၏ လတ်တလောလေ့လာမှုကို ကျွန်ုပ်တို့ ဆန်းစစ်ပါမည်။
Vtoonify ဆိုတာဘာလဲ။
VToonify framework သည် စိတ်ကြိုက်ပြုပြင်နိုင်သော အရည်အသွေးမြင့် ပုံတူ ဗီဒီယိုစတိုင် ထုတ်လွှင့်မှုကို ခွင့်ပြုသည်။
VToonify သည် ဘောင်အသေးစိတ်အချက်အလက်များကို ထိန်းသိမ်းရန် ကုဒ်ဒါဖြင့်ရယူထားသော နယ်ပယ်ပေါင်းစုံမှ အကြောင်းအရာဝိသေသလက္ခဏာများအပေါ် အခြေခံ၍ အရည်အသွေးမြင့် အနုပညာပုံတူများကို ဖန်တီးရန် StyleGAN ၏ အလယ်အလတ်နှင့် အရည်အသွေးမြင့် အလွှာများကို အသုံးပြုသည်။
ထွက်ပေါ်လာသည့် လုံး၀ convolutional ဗိသုကာသည် ချိန်ညှိခြင်းမရှိသော မျက်နှာများကို ထည့်သွင်းမှုအဖြစ် ပြောင်းလဲနိုင်သော အရွယ်အစားရုပ်ရှင်များတွင် ထည့်သွင်းကာ ထွက်ပေါက်တွင် လက်တွေ့ဆန်သော လှုပ်ရှားမှုများရှိသော မျက်နှာတစ်ပြင်လုံးရှိ ဒေသများကို ဖြစ်ပေါ်စေသည်။
ဤဘောင်သည် လက်ရှိ StyleGAN-based ရုပ်ပုံ toonification မော်ဒယ်များနှင့် သဟဇာတဖြစ်ပြီး ၎င်းတို့အား ဗီဒီယို toonification သို့ တိုးချဲ့ရန်နှင့် ချိန်ညှိနိုင်သော အရောင်နှင့် ပြင်းထန်မှု စိတ်ကြိုက်ပြုလုပ်ခြင်းကဲ့သို့သော ဆွဲဆောင်မှုရှိသော ဝိသေသလက္ခဏာများကို အမွေဆက်ခံပါသည်။
ဤ လေ့လာချက် စုစည်းမှုအခြေခံနှင့် စံနမူနာပြအခြေခံပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းခြင်းအတွက် Toonify နှင့် DualStyleGAN တို့ကိုအခြေခံသည့် VToonify ၏ ချက်ချင်းလုပ်ဆောင်မှုနှစ်ခုကို မိတ်ဆက်ပေးသည်။
ကျယ်ပြန့်သော စမ်းသပ်တွေ့ရှိချက်များသည် အဆိုပြုထားသော VToonify မူဘောင်သည် အရည်အသွေးမြင့်၊ ယာယီနှင့်လိုက်ဖက်သော အနုပညာပုံတူရုပ်ရှင်များကို ဖန်တီးရာတွင် ရှိပြီးသားချဉ်းကပ်မှုများကို ပိုမိုကောင်းမွန်စေကြောင်း ပြသပါသည်။
သုတေသီများက ပံ့ပိုးပေးသည်။ Google Colab မှတ်စုစာအုပ်ဒါကြောင့် မင်းလက်တွေ ညစ်ပတ်သွားနိုင်တယ်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
ချိန်ညှိနိုင်သော အရည်အသွေးမြင့် ပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းခြင်းကို ပြီးမြောက်စေရန်၊ VToonify သည် ပုံဘာသာပြန်ဆိုမှုဘောင်၏ အားသာချက်များကို StyleGAN အခြေခံဘောင်ဖြင့် ပေါင်းစပ်ထားသည်။
ကွဲပြားသော ထည့်သွင်းမှုအရွယ်အစားများကို လိုက်လျောညီထွေဖြစ်စေရန်၊ ရုပ်ပုံဘာသာပြန်စနစ်သည် အပြည့်အဝ convolutional networks များကို အသုံးပြုထားသည်။ အခြားတစ်ဖက်တွင်မူ လေ့ကျင့်ရေးသည် ပုံရိပ်ပြတ်သားမှုနှင့် ထိန်းချုပ်မှုပုံစံ ဂီယာကို မဖြစ်နိုင်အောင် ဖြစ်စေသည်။
ကြိုတင်လေ့ကျင့်သင်ကြားထားသော StyleGAN မော်ဒယ်ကို ပုံသေရုပ်ပုံအရွယ်အစားနှင့် အသေးစိတ်ဆုံးရှုံးမှုများအတွက် ကန့်သတ်ထားသော်လည်း ပုံရိပ်ပြတ်သားမှုမြင့်မားပြီး ထိန်းချုပ်ထားသောစတိုင်လွှဲပြောင်းမှုအတွက် StyleGAN အခြေခံမူဘောင်တွင် အသုံးပြုထားသည်။
StyleGAN ကို ၎င်း၏ ပုံသေအရွယ်ထည့်သွင်းမှုအင်္ဂါရပ်နှင့် ကြည်လင်ပြတ်သားမှုနည်းသော အလွှာများကို ဖျက်ခြင်းဖြင့် ရုပ်ပုံဘာသာပြန်ဆိုမှုမူဘောင်နှင့် ဆင်တူသည့် လုံး၀ convolutional ကုဒ်ဒါ-ဂျင်နရေတာ ဗိသုကာကို ပေါင်းစပ်ထားသောဘောင်တွင် ပြုပြင်မွမ်းမံထားသည်။
ဖရိမ်အသေးစိတ်အချက်အလက်များကို ထိန်းသိမ်းရန်၊ ဂျင်နရေတာအတွက် ထပ်လောင်းအကြောင်းအရာလိုအပ်ချက်အဖြစ် ထည့်သွင်းမှုဘောင်၏ များပြားလှသော အကြောင်းအရာဝိသေသလက္ခဏာများကို ထုတ်ယူရန် ကုဒ်ဒါတစ်ခုအား လေ့ကျင့်ပေးပါ။ Vtoonify သည် ၎င်း၏ဒေတာနှင့် မော်ဒယ်နှစ်ခုလုံးကို ပေါင်းထည့်ရန် ဂျင်နရေတာထဲသို့ ထည့်ခြင်းဖြင့် StyleGAN မော်ဒယ်၏ စတိုင်ထိန်းချုပ်မှု ပြောင်းလွယ်ပြင်လွယ်ကို အမွေဆက်ခံပါသည်။
StyleGAN & Proposed Vtoonify ၏ကန့်သတ်ချက်များ
ပန်းချီပုံတူများသည် ကျွန်ုပ်တို့၏နေ့စဉ်ဘဝများတွင် အဖြစ်များသည့်အပြင် ဖန်တီးမှုလုပ်ငန်းများဖြစ်သည့် အနုပညာ၊ လူမှုမီဒီယာ ရုပ်ပုံများ၊ ရုပ်ရှင်များ၊ ဖျော်ဖြေရေးကြော်ငြာ စသည်ဖြင့်။
၏ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူ နက်ရှိုင်းသောသင်ယူမှု နည်းပညာ၊ အလိုအလျောက် ပုံတူစတိုင်လွှဲပြောင်းမှုကို အသုံးပြု၍ လက်တွေ့ဘဝမျက်နှာဓာတ်ပုံများမှ အရည်အသွေးမြင့် အနုပညာပုံတူများကို ဖန်တီးနိုင်ပါပြီ။
ရုပ်ပုံအခြေခံစတိုင် လွှဲပြောင်းခြင်းအတွက် ဖန်တီးထားသော အောင်မြင်သောနည်းလမ်းများစွာ ရှိပြီး အများစုမှာ စတင်အသုံးပြုသူများအတွက် မိုဘိုင်းအပလီကေးရှင်းပုံစံဖြင့် အလွယ်တကူရရှိနိုင်သည်။ ဗီဒီယိုအကြောင်းအရာသည် လွန်ခဲ့သည့်နှစ်များစွာအတွင်း ကျွန်ုပ်တို့၏ဆိုရှယ်မီဒီယာ feeds များ၏ အဓိကကျသည့်အချက်ဖြစ်လာသည်။
ဆိုရှယ်မီဒီယာနှင့် တဒင်္ဂရုပ်ရှင်များ ထွန်းကားလာခြင်းကြောင့် အောင်မြင်ပြီး စိတ်ဝင်စားစရာကောင်းသော ဗီဒီယိုများကို ဖန်တီးရန် ပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းခြင်းကဲ့သို့သော ဆန်းသစ်သောဗီဒီယိုတည်းဖြတ်ခြင်းကဲ့သို့သော ဆန်းသစ်သောဗီဒီယိုတည်းဖြတ်ခြင်းအတွက် လိုအပ်ချက်ကို တိုးစေပါသည်။
ရှိရင်းစွဲရုပ်ပုံအသားပေးနည်းပညာများသည် ရုပ်ရှင်များတွင်အသုံးပြုသည့်အခါတွင် သိသာထင်ရှားသောအားနည်းချက်များရှိပြီး အလိုအလျောက်ပုံတူဗီဒီယိုပုံစံပြုလုပ်ခြင်းတွင် ၎င်းတို့၏အသုံးဝင်မှုကို ကန့်သတ်ထားသည်။
StyleGAN သည် အရည်အသွေးမြင့် မျက်နှာများကို ချိန်ညှိနိုင်သော စတိုင်လ်စီမံခန့်ခွဲမှုဖြင့် ဖန်တီးနိုင်သောကြောင့် ပုံတူရုပ်ပုံစတိုင် လွှဲပြောင်းမော်ဒယ်ကို တီထွင်ရန်အတွက် ဘုံကျောရိုးတစ်ခုဖြစ်သည်။
StyleGAN အခြေခံစနစ် (ရုပ်ပုံ toonification ဟုလည်းခေါ်သည်) သည် StyleGAN ငုပ်လျှိုးနေသောနေရာသို့ မျက်နှာအစစ်အမှန်ကို ကုဒ်လုပ်ကာ စတိုင်လ်ကျသော ဗားရှင်းကိုဖန်တီးရန်အတွက် အနုပညာပုံတူဒေတာအတွဲတွင် ရရှိလာသော စတိုင်ကုဒ်ကို အခြား StyleGAN တွင် ကောင်းစွာချိန်ညှိပေးသည်။
StyleGAN သည် ချိန်ညှိထားသည့် မျက်နှာများနှင့် ပုံသေအရွယ်အစားဖြင့် ပုံများကို ဖန်တီးပေးသည်၊ ၎င်းသည် လက်တွေ့ကမ္ဘာတွင် လှုပ်ရှားနေသောမျက်နှာများကို မျက်နှာသာမပေးပေ။ ဗီဒီယိုတွင် မျက်နှာဖြတ်တောက်ခြင်းနှင့် ချိန်ညှိခြင်းသည် တစ်ခါတစ်ရံတွင် မျက်နှာတစ်စိတ်တစ်ပိုင်းနှင့် အဆင်မပြေသော အမူအယာများ ဖြစ်ပေါ်တတ်သည်။ သုတေသီများက ဤပြဿနာကို StyleGAN ၏ 'ပုံသေသီးနှံကန့်သတ်ချက်' ဟုခေါ်သည်။
ဟန်ချက်မညီသော မျက်နှာများအတွက် StyleGAN3 ကို အဆိုပြုထားသည်။ သို့သော်၊ ၎င်းသည် သတ်မှတ်ပုံအရွယ်အစားကိုသာ ပံ့ပိုးပေးသည်။
ထို့အပြင်၊ မကြာသေးမီက လေ့လာမှုတစ်ခုအရ ညှိမထားသောမျက်နှာများကို ကုဒ်သွင်းခြင်းသည် ညှိထားသောမျက်နှာများထက် ပိုမိုခက်ခဲကြောင်း တွေ့ရှိခဲ့သည်။ မမှန်ကန်သော မျက်နှာဖြင့် ကုဒ်သွင်းခြင်းသည် ပုံတူစတိုင်လွှဲပြောင်းခြင်းအတွက် အန္တရာယ်ဖြစ်စေနိုင်ပြီး ပြန်လည်တည်ဆောက်ထားသော ပုံစံဘောင်များတွင် အထောက်အထားပြောင်းလဲခြင်းနှင့် အစိတ်အပိုင်းများ ပျောက်ဆုံးခြင်းကဲ့သို့သော ပြဿနာများဖြစ်ပေါ်စေပါသည်။
ဆွေးနွေးထားသည့်အတိုင်း၊ ပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းခြင်းအတွက် ထိရောက်သောနည်းစနစ်တစ်ခုသည် အောက်ပါပြဿနာများကို ကိုင်တွယ်ဖြေရှင်းရမည်-
- လက်တွေ့ဆန်သော လှုပ်ရှားမှုများကို ထိန်းသိမ်းရန်၊ ချဉ်းကပ်ပုံသည် ချိန်ညှိမှုမရှိသော မျက်နှာများနှင့် မတူညီသော ဗီဒီယိုအရွယ်အစားများကို ကိုင်တွယ်ဖြေရှင်းနိုင်ရပါမည်။ ကြီးမားသောဗီဒီယိုအရွယ်အစား သို့မဟုတ် မြင်ကွင်းကျယ်ကျယ်တစ်ခုသည် မျက်နှာကိုဘောင်မှမရွေ့ဘဲ ထိန်းသိမ်းထားစဉ်တွင် အချက်အလက်များပိုမိုဖမ်းယူနိုင်သည်။
- ယနေ့ခေတ်တွင် အသုံးများသော HD gadgets များနှင့် ယှဉ်ပြိုင်ရန်၊ ကြည်လင်ပြတ်သားသော ဗီဒီယိုသည် လိုအပ်ပါသည်။
- လက်တွေ့ကျသော အသုံးပြုသူ အပြန်အလှန်တုံ့ပြန်မှုစနစ်တစ်ခုကို ဖော်ဆောင်ရာတွင် အသုံးပြုသူများ၏ ရွေးချယ်မှုကို ပြောင်းလဲရန်နှင့် ရွေးချယ်ရန်အတွက် Flexible style control ကို ပေးဆောင်သင့်သည်။
ထိုရည်ရွယ်ချက်အတွက်၊ သုတေသီများသည် ဗီဒီယို toonification အတွက် ဆန်းသစ်သောပေါင်းစပ်မူဘောင်ဖြစ်သော VToonify ကို အကြံပြုပါသည်။ ပုံသေကောက်ပဲသီးနှံကန့်သတ်ချက်ကို ကျော်လွှားရန်၊ သုတေသီများသည် StyleGAN တွင် ဘာသာပြန်ခြင်းဆိုင်ရာ ညီမျှမှုကို ဦးစွာလေ့လာသည်။
VToonify သည် ချိန်ညှိနိုင်သော အရည်အသွေးမြင့် ပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းမှုရရှိရန်အတွက် StyleGAN အခြေခံဗိသုကာနှင့် ရုပ်ပုံဘာသာပြန်ဘောင်၏ အကျိုးကျေးဇူးများကို ပေါင်းစပ်ထားသည်။
အောက်ပါတို့သည် အဓိက ပံ့ပိုးကူညီမှုများ ဖြစ်ပါသည်။
- သုတေသီများသည် StyleGAN ၏ ပုံသေသီးနှံကန့်သတ်ချက်ကို စုံစမ်းစစ်ဆေးပြီး ဘာသာပြန်ဆိုမှု ညီမျှမှုအပေါ် အခြေခံ၍ အဖြေတစ်ခုကို အဆိုပြုသည်။
- သုတေသီများသည် ချိန်ညှိမှုမရှိသော မျက်နှာများနှင့် မတူညီသော ဗီဒီယိုအရွယ်အစားများကို ပံ့ပိုးပေးသည့် ပုံရိပ်ဖော်ပုံ ဗီဒီယိုပုံစံ လွှဲပြောင်းခြင်းအတွက် ထူးခြားသော အပြည့်အဝ convolutional VToonify မူဘောင်ကို တင်ပြပါသည်။
- သုတေသီများသည် Toonify နှင့် DualStyleGAN ၏ကျောရိုးပေါ်တွင် VToonify ကိုတည်ဆောက်ပြီး စုစည်းမှုအခြေခံနှင့် စံနမူနာပြပုံတူဗီဒီယိုစတိုင်လွှဲပြောင်းခြင်းကိုလုပ်ဆောင်နိုင်စေရန် ဒေတာနှင့် မော်ဒယ်နှစ်ခုလုံးအတွက် ကျောရိုးများကို စုစည်းထားသည်။
Vtoonify ကို အခြားသော ခေတ်မီမော်ဒယ်များနှင့် နှိုင်းယှဉ်ခြင်း။
သိစေဖို့
StyleGAN ကို အသုံးပြု၍ ညှိထားသော မျက်နှာများပေါ်တွင် စုစည်းမှုအခြေခံစတိုင်လွှဲပြောင်းခြင်းအတွက် အခြေခံအုတ်မြစ်အဖြစ် ဆောင်ရွက်ပါသည်။ စတိုင်ကုဒ်များကို ပြန်လည်ရယူရန်အတွက် သုတေသီများသည် မျက်နှာများကို ချိန်ညှိကာ PSP အတွက် ဓာတ်ပုံပေါင်း 256256 ပုံကို ဖြတ်တောက်ရပါမည်။ Toonify ကို 1024*1024 စတိုင်ကုဒ်များဖြင့် စတိုင်ကျသောရလဒ်ကိုထုတ်ပေးရန် အသုံးပြုသည်။
နောက်ဆုံးတွင်၊ ၎င်းတို့သည် ဗီဒီယိုရှိရလဒ်အား ၎င်း၏ မူရင်းတည်နေရာသို့ ပြန်လည်ချိန်ညှိပေးသည်။ ပုံစံမပြထားသော ဧရိယာကို အနက်ရောင်အဖြစ် သတ်မှတ်ထားသည်။
DualStyleGAN
၎င်းသည် StyleGAN ကိုအခြေခံ၍ စံပြအခြေခံစတိုင်လွှဲပြောင်းခြင်းအတွက် ကျောရိုးတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် Toonify ကဲ့သို့ တူညီသော ဒေတာအကြို နှင့် စီမံဆောင်ရွက်မှု နည်းစနစ်များကို အသုံးပြုသည်။
Pix2pixHD
၎င်းသည် ရုပ်ပုံမှတစ်ပုံသို့ ဘာသာပြန်သည့်ပုံစံဖြစ်ပြီး ကြည်လင်ပြတ်သားမှုမြင့်မားသောတည်းဖြတ်မှုအတွက် အကြိုလေ့ကျင့်ထားသည့် မော်ဒယ်များကို စုစည်းရန် အများအားဖြင့် အသုံးပြုလေ့ရှိသည့် မော်ဒယ်တစ်ခုဖြစ်သည်။ တွဲထားသောဒေတာကို အသုံးပြု၍ လေ့ကျင့်ထားသည်။
ထုတ်ယူထားသော ခွဲခြမ်းစိပ်ဖြာမြေပုံကို အသုံးပြုထားသောကြောင့် သုတေသီများသည် ၎င်း၏နောက်ထပ်ဥပမာမြေပုံထည့်သွင်းမှုများအဖြစ် pix2pixHD ကို အသုံးပြုသည်။
First Order Motion
FOM သည် ပုံမှန်ရုပ်ပုံကာတွန်းမော်ဒယ်တစ်ခုဖြစ်သည်။ ၎င်းကို ရုပ်ပုံ 256256 တွင် လေ့ကျင့်ထားပြီး အခြားပုံအရွယ်အစားများနှင့် ညံ့ဖျင်းစွာ လုပ်ဆောင်နိုင်ခဲ့သည်။ အကျိုးဆက်အနေဖြင့်၊ သုတေသီများသည် FOM အတွက် ဗီဒီယိုဘောင်များကို 256*256 သို့ ကာတွန်းအဖြစ် ချိန်ညှိပြီးနောက် ရလဒ်များကို ၎င်းတို့၏မူလအရွယ်အစားသို့ အရွယ်အစားပြောင်းပါ။
တရားမျှတသော နှိုင်းယှဉ်မှုတစ်ခုအတွက် FOM သည် ၎င်း၏ ကိုးကားမှုပုံစံပုံအဖြစ် ၎င်း၏ချဉ်းကပ်ပုံ၏ ပထမဆုံးပုံစံပုံစံဘောင်ကို အသုံးပြုထားသည်။
ဒါဂန်
၎င်းသည် 3D မျက်နှာ ကာတွန်းပုံစံဖြစ်သည်။ ၎င်းတို့သည် FOM ကဲ့သို့ တူညီသော ဒေတာပြင်ဆင်မှုနှင့် စီမံဆောင်ရွက်ဆဲနည်းလမ်းများကို အသုံးပြုသည်။
အားသာချက်များ
- ၎င်းကို အနုပညာ၊ ဆိုရှယ်မီဒီယာကိုယ်ပွား၊ ရုပ်ရှင်များ၊ ဖျော်ဖြေရေးကြော်ငြာစသည်ဖြင့် အသုံးချနိုင်သည်။
- Vtoonify ကို metaverse တွင်လည်း အသုံးပြုနိုင်သည်။
ကန့်သတ်
- ဤနည်းစနစ်သည် ဒေတာနှင့် မော်ဒယ်နှစ်မျိုးလုံးကို StyleGAN အခြေပြုကျောရိုးများမှ ထုတ်ယူပြီး ဒေတာနှင့် မော်ဒယ်ဘက်လိုက်မှုကို ဖြစ်ပေါ်စေသည်။
- ရှေးဟောင်းပစ္စည်းများသည် အများအားဖြင့် ပုံစံပြုလုပ်ထားသော မျက်နှာဧရိယာနှင့် အခြားအပိုင်းများကြားတွင် အရွယ်အစား ကွဲပြားမှုကြောင့် ဖြစ်ပေါ်လာခြင်းဖြစ်သည်။
- မျက်နှာဒေသရှိ အရာများနှင့် ဆက်ဆံရာတွင် ဤနည်းဗျူဟာသည် အောင်မြင်မှုနည်းသည်။
ကောက်ချက်
နောက်ဆုံးတွင်၊ VToonify သည် စတိုင်လ်ကျကျ ထိန်းချုပ်ထားသော မြင့်မားသော ရုပ်ထွက်ဗီဒီယို toonification အတွက် မူဘောင်တစ်ခုဖြစ်သည်။
ဤဘောင်သည် ဗီဒီယိုများကို ကိုင်တွယ်ရာတွင် ကောင်းမွန်သော စွမ်းဆောင်ရည်ကို ရရှိပြီး ၎င်းတို့နှစ်ဦးစလုံး၏ စည်းကမ်းချက်များအရ StyleGAN-based ရုပ်ပုံ toonification မော်ဒယ်များကို ပေါင်းစပ်ခြင်းဖြင့် တည်ဆောက်ပုံစတိုင်၊ အရောင်စတိုင်နှင့် စတိုင်ဒီဂရီအပေါ် ကျယ်ပြန့်စွာ ထိန်းချုပ်နိုင်စေပါသည်။ ပေါင်းစပ်ဒေတာ ကွန်ရက်တည်ဆောက်ပုံများ။
တစ်ဦးစာပြန်ရန် Leave