StarGAN v2
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- NAVER,Yonsei University,Swiss Federal Institute of Technology
- Tipo de Organización
- Industry,Academia,Academia
- País
- Korea (Republic of), Switzerland
- Publicado
- 4 December 2019
- Autores
- Yunjey Choi, Youngjung Uh, Jaejun Yoo, Jung-Woo Ha
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Image generation
- Tarea
- Image generation, Image-to-image
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 400,000 tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (non-commercial)
- Código de entrenamiento
- Open (non-commercial)
https://github.com/clovaai/stargan-v2?tab=readme-ov-file non-commercial
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited,SOTA improvement
- Confianza de registro
- Unknown
- Citas
- 2,072
"Votes from AMT workers for the most preferred method regarding visual quality and style reflection (%). StarGAN v2 outperforms the baselines with remarkable margins in all aspects." "As shown in Table 2, our method outperforms all the baselines by a large margin in terms of visual quality. For both CelebA-HQ and AFHQ, our method achieves FIDs of 13.7 and 16.2, respectively, which are more than two times improvement over the previous leading method."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- StarGAN v2: Diverse Image Synthesis for Multiple Domains
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
StarGAN v2 fue publicado por NAVER,Yonsei University,Swiss Federal Institute of Technology, en el país registrado como Korea (Republic of), durante December 2019. La categoría en la que se encuentra el editor es industry,Academia,Academia.
Funciona en el dominio de Vision, Image generation, y se registra como realizando la tarea de image generation, Image-to-image.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Cómo fue entrenado
El entrenamiento consumió un corpus de alrededor de 400,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited,SOTA improvement.
Respuestas
StarGAN v2 — preguntas comunes
StarGAN v2— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Image generation, y se registra como manejando la tarea de image generation, Image-to-image. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
StarGAN v2— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
StarGAN v2— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
StarGAN v2— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
StarGAN v2— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
StarGAN v2— ¿Quién lo creó?
Fue publicado por NAVER,Yonsei University,Swiss Federal Institute of Technology, basado en Korea (Republic of), una organización categorizada como industry,Academia,Academia.
StarGAN v2— ¿cuándo fue lanzado?
Se publicó en December 2019. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.