LGGAN

从语义图生成逼真场景，局部细节与全局结构双管齐下。

LGGAN 是一个基于生成对抗网络的语义引导场景生成模型，发表于 CVPR 2020。它解决的是从语义分割图（或跨视角条件）生成逼真场景图像的问题，核心创新在于同时建模局部类别特定信息和全局图像级信息：局部模块关注每个语义类别的细节生成，全局模块捕捉整体场景的结构和光照一致性。项目提供了完整的训练和测试代码，支持 CVUSA 和 Dayton 等跨视角数据集，可用于城市景观、航拍图像等场景的合成。其核心能力包括语义布局到图像的转换、跨视角图像生成，以及多尺度特征的融合。该模型在保持场景语义一致性的同时，显著提升了生成图像的视觉质量和细节丰富度。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 144

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队Ha0Tang

所属国家

官网地址

GitHubhttps://github.com/Ha0Tang/LGGAN

定价模式free

价格说明开源项目，代码公开，可自行部署使用，无付费版本。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型adversarial-learning,cross-view,cvpr-2020,cvpr20,cvpr2020,cvusa-dataset,dayton,gan,generative-adversarial-network,generative-model,global,image-generation,image-manipulation,image-translation,local,pytorch,pytorch-implementation,sva-dataset

GitHub 星标★ 144

30天Star增速

HF 下载量

上线时间2019-07-23 00:00:00

最近更新2026-06-18 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

CVPR 2020 论文官方实现，算法经过同行评审，方法可靠性有保障。
同时建模局部类别和全局图像级信息，生成结果在细节和结构上更协调。
支持 CVUSA 和 Dayton 等主流跨视角数据集，便于复现和对比实验。

不足之处

项目星标数较少（144），社区活跃度和维护频率可能有限。
文档和示例相对简略，上手需要一定论文阅读基础。

适用场景

学术研究：复现 CVPR 2020 方法，用于语义引导生成方向的对比实验。
跨视角图像生成：从航拍图生成地面视角或反之，用于地理信息可视化。
数据增强：为语义分割等任务合成带标注的训练图像。

替代项目

SPADE（GauGAN）、CRN（Class-conditional RN）、SCOPS

项目介绍

LGGAN 是图像领域的开源项目，由 Ha0Tang 开发，2019 年首次发布。

它收录于图像分类，该分类目前共有 837 个项目，GitHub 星标数为 144。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-06-18。代码公开，可自行部署使用，无付费版本。

它主要面向的使用场景是：学术研究：复现CVPR2020方法，用于语义引导生成方向的对比实验。同类可对比的替代方案包括 SPADE（GauGAN）、CRN（Class-conditional RN）、SCOPS。

上一篇：C2GAN

下一篇：XingGAN