本文提出了一种 Attribute Information Removal and Reconstruction(AIRR)网络,通过学习如何完全去除属性信息创建不包含属性信息的特征,然后学习在重建图像中直接注入所需属性,以避免信息隐藏问题,并在四个数据集上评估。结果表明,与先前的工作相比,我们的模型平均提高了 10%的属性操作准确性和 top-k 检索率,用户研究也表明 AIRR 操作的图像在高达 76%的情况下优于先前的工作。
Jul, 2022
本文中提出的基于属性标签限制的模型,可以通过在预定义的潜在特征空间中直接应用属性标签并使用属性分类损失,从图像中提取属性相关信息,以实现用于编辑多个属性的面部属性传输,同时通过设计新的模型结构来提高属性传输能力。在 CelebA 数据集上的实验结果表明,该方法有效地克服了其他方法存在的三个限制。
Dec, 2019
本文提出了一种基于属性操控的图像检索方法,使用 FashionSearchNet-v2 架构学习属性特定表示,并通过弱监督定位模块提高相似性学习,所得的本地表示基于被指导的属性操控合并为单个全局表示,在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。
Nov, 2021
本文提出使用 Semi-Latent Facial Attribute Space (SL-FAS) 和 SL-GAN 模型学习人脸图像生成和修改,通过实验验证了该模型的有效性,并提出迭代训练算法。
Apr, 2017
本研究旨在改变面部图像的一个或多个属性,并保持其他细节,使用生成敌对网络(GAN)和编码器 - 解码器架构来确保高质量的面部特征编辑。
Nov, 2017
本研究基于深度卷积神经网络,针对图像生成中的属性变换问题,在两个面部数据集上进行了有量有质的实验,并取得了较为有前途的结果。
Nov, 2015
本文提出了一种基于前馈神经网络的人脸属性编辑方法,该方法可控制,转移和编辑野外人脸的多样属性,允许应用于人脸交换,光照转移和化妆品转移等多种应用。
Feb, 2021
本文通过优化模型,采用基于 CNN 的深度卷积网络 VGG-Face,通过特定属性生成具有参考图像身份信息的人脸图像的优化问题,结果表明,该方法能够有效地实现基于属性驱动的身份保持人脸生成。
Aug, 2016
本文提出了一种主动防御框架来降低恶意用户控制的面部操纵模型的性能,基本思路是在操纵之前向目标面部数据注入不可察觉的毒液。
Dec, 2021
基于 GAN 的图像属性编辑提出了一种逐渐注入细节的双流框架,用于增强细节保留和编辑性能。与现有方法相比,该框架在重建精度和编辑质量方面具有优势。
Feb, 2024