使用卷积神经网络反演面部嵌入

Jun, 2016

Inverting face embeddings with convolutional neural networks

Andrey Zhmoginov, Mark Sandler

TL;DR这篇论文利用深度神经网络逆向低维人脸嵌入并生成高质量真实的图像，探索了两种方法，通过引导图像使用梯度上升方法生成一致性良好的图像和通过训练单独的神经网络一次性解决最小化问题来实时生成图像，并对神经网络与梯度下降进行对比实验。

Abstract

deep neural networks have dramatically advanced the state of the art for many areas of machine learning. Recently they have been shown to have a remarkable ability to generate highly complex visual artifacts such as images and text rather than simply recognize them. In this work we use

deep neural networks image generation guiding image neural network training minimization problem

发现论文，激发创造

卷积素描反演

该论文利用深度神经网络将面部素描图像还原为照片级真实面部图像，采用半模拟数据集和深度学习技术，包括批处理规范化、深层残差学习、感知损失和随机优化。最后，通过艺术和犯罪学示例，展示了该方法的应用潜力。

Jun, 2016

卷积网络反演视觉表征

利用反向卷积神经网络对图像特征表征进行研究，发现即使从初级的表征数据中仍然存在丰富的信息，同时深度网络的特征表征也可被还原并推出其某些特性。

Jun, 2015

通过反演深度图像表示来理解它们

本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

Nov, 2014

i-RevNet：深度可逆网络

通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

Feb, 2018

InverseFaceNet: 深度单目逆向人脸渲染

InverseFaceNet 是一种基于深度卷积反渲染框架的新方法，可以实时地从单个输入图像中同时估计人脸的姿态、形状、表情、反射和照明，通过利用深度神经网络训练，结合实时的外观编辑和重新照明等高级处理技术，实现了高质量、高度还原的人脸重建。

Mar, 2017

成像反问题的模型适应

探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。

Nov, 2020

使用卷积神经网络实现快速面部替换

使用卷积神经网络以及风格转移技术进行面部图像交换，通过新的损失函数得到高度逼真的结果并结合预处理和后处理步骤，目标是实现实时面部交换且无需用户手动干预。

Nov, 2016

卷积神经网络在人脸反欺诈中的性能评估

本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

May, 2018

使用模板反转近似优化形态攻击

通过倒置理论上的最优变形嵌入来研发一种基于深度变形攻击的新方法，该方法利用面部识别系统的倒置模型生成混合攻击，具有更高的攻击效果和更快的运行速度。

Feb, 2024

ID2image：非 ID 信息泄漏到人脸描述符中并从描述符中反演到图像中

本文研究发现即使经过多种训练策略，使用深度卷积神经网络将人脸图像转为描述矢量的 Embedding 仍可恢复非身份（non-ID）属性，如地标位置和图像直方图，并且我们还使用生成模型进一步优化，实现了从 ID embedding 到面部图像的逆向重建，其中身份、姿态、光线和背景 / 服饰等非身份属性都得到了真实的重建。

Apr, 2023