finegan

无监督分层解耦，自动生成细粒度图像并发现子类别

FineGAN 是一个基于生成对抗网络（GAN）的细粒度图像生成与发现工具，由 IBM 研究院开发。它通过无监督的分层解耦学习，将图像生成过程分解为背景、父类别和子类别三个层次，从而在无需人工标注的情况下，自动发现并生成具有细粒度差异的物体图像（如不同鸟类、汽车型号等）。项目解决了传统 GAN 难以生成细节丰富且类别可控制图像的问题，核心能力包括：分层解耦表示学习、背景与前景分离、细粒度类别发现、以及基于 CUB、Stanford Cars 等数据集的预训练模型。该研究发表于 CVPR 2019，提供了训练和测试代码，适合研究者复现实验或在此基础上扩展。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 281

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kkanshul

所属国家

官网地址http://krsingh.cs.ucdavis.edu/krishna_files/papers/finegan/index.html

GitHubhttps://github.com/kkanshul/finegan

定价模式free

价格说明开源项目，BSD-2-Clause许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议BSD-2-Clause

主要语言Python

技术栈/模型computer-vision,deep-learning,disentangled-representations,fine-grained,gans,generative-adversarial-network,image-generation,image-manipulation,pytorch

GitHub 星标★ 281

30天Star增速

HF 下载量

上线时间2018-11-27 00:00:00

最近更新2025-07-15 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2

使用教程

核心亮点

提出背景-父类-子类三层解耦框架，可解释性强
无需人工标注即可发现细粒度子类别，节省标注成本
提供预训练模型和完整训练代码，便于复现和二次开发

不足之处

项目维护停滞，依赖旧版 TensorFlow，环境配置困难
文档仅覆盖基础用法，高级定制和扩展指导不足

适用场景

细粒度图像生成研究，如鸟类、汽车等子类别合成
无监督物体发现，用于数据增强或类别挖掘
生成对抗网络解耦表示学习的教学与实验

替代项目

StackGAN、AttnGAN、StyleGAN

项目介绍

finegan 是图像领域的开源项目，由 kkanshul 开发，2018 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 281。

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 2025-07-15。BSD-2-Clause许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：细粒度图像生成研究，如鸟类、汽车等子类别合成。同类可对比的替代方案包括 StackGAN、AttnGAN、StyleGAN。

上一篇：GNGAN-PyTorch

下一篇：CycleGANsformer