StarGAN v2
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- NAVER,Yonsei University,Swiss Federal Institute of Technology
- Type d'organisation
- Industry,Academia,Academia
- Pays
- Korea (Republic of), Switzerland
- Publié
- 4 December 2019
- Auteurs
- Yunjey Choi, Youngjung Uh, Jaejun Yoo, Jung-Woo Ha
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Image generation
- Tâche
- Image generation, Image-to-image
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 400,000 tokens
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (non-commercial)
- Code d'entraînement
- Open (non-commercial)
https://github.com/clovaai/stargan-v2?tab=readme-ov-file non-commercial
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Unknown
- Citations
- 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."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- StarGAN v2: Diverse Image Synthesis for Multiple Domains
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
StarGAN v2 a été publié par NAVER,Yonsei University,Swiss Federal Institute of Technology, dans le pays enregistré comme Korea (Republic of), durant December 2019. La catégorie à laquelle appartient l'éditeur est industry,Academia,Academia.
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme exécutant la tâche de image generation, Image-to-image.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé.
Comment il a été entraîné
L'entraînement a consommé un corpus d'environ 400,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited,SOTA improvement.
Réponses
StarGAN v2 — questions courantes
StarGAN v2— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme gérant la tâche de image generation, Image-to-image. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
StarGAN v2— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
StarGAN v2— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
StarGAN v2— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
StarGAN v2— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
StarGAN v2— qui l'a créé ?
Il a été publié par NAVER,Yonsei University,Swiss Federal Institute of Technology, basé sur Korea (Republic of), une organisation catégorisée comme industry,Academia,Academia.
StarGAN v2— quand a-t-il été publié ?
Il a été publié dans December 2019. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.