StarGAN v2
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- NAVER,Yonsei University,Swiss Federal Institute of Technology
- Organisatietype
- Industry,Academia,Academia
- Land
- Korea (Republic of), Switzerland
- Gepubliceerd
- 4 December 2019
- Auteurs
- Yunjey Choi, Youngjung Uh, Jaejun Yoo, Jung-Woo Ha
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision, Image generation
- Taak
- Image generation, Image-to-image
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 400,000 tokens
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (non-commercial)
- Training code
- Open (non-commercial)
https://github.com/clovaai/stargan-v2?tab=readme-ov-file non-commercial
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Highly cited,SOTA improvement
- Record vertrouwen
- Unknown
- Citaties
- 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."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- StarGAN v2: Diverse Image Synthesis for Multiple Domains
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
StarGAN v2 werd gepubliceerd door NAVER,Yonsei University,Swiss Federal Institute of Technology, in het land geregistreerd als Korea (Republic of), tijdens December 2019. De categorie waaronder de uitgever valt is industry,Academia,Academia.
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het uitvoeren van de taak van image generation, Image-to-image.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload.
Hoe het getraind werd
Training verbruikte een corpus van ongeveer 400,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited,SOTA improvement.
Antwoorden
StarGAN v2 — veelgestelde vragen
StarGAN v2— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het afhandelen van image generation, Image-to-image. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
StarGAN v2— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
StarGAN v2— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
StarGAN v2— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
StarGAN v2— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
StarGAN v2— wie heeft het gemaakt?
Het werd gepubliceerd door NAVER,Yonsei University,Swiss Federal Institute of Technology, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry,Academia,Academia.
StarGAN v2— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.