半潜变分生成对抗网络:通过属性学习生成和修改人脸图像
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
FLAME 是一种使用少量监督来进行操纵编辑方向的简单而有效的框架,可通过操纵潜在空间来实现高度可控的图像编辑。同时,还提出了属性样式操作的新任务,以生成具有不同属性样式的多样化图像。
Jul, 2022
本文提出了一个名为 InterFaceGAN 的新框架,用于解释 GAN 学习到的语义面部编辑,并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现,精心训练的生成模型的潜在编码实际上学习了一个分离的表示,在线性变换后解旋,通过子空间投影来解开某些绑定属性,实现更精确的面部特征控制,并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。
Jul, 2019
本文提出了一种基于局部属性编辑的新方法 MaskFaceGAN,采用最先进的生成对抗网络(StyleGAN2)的潜在编码进行优化,通过不同 iable 的属性分类器和面部解析器执行多个约束条件,实现对人脸图像的局部面部属性进行编辑,达到了极高的图像质量,在 1024x1024 的高分辨率下进行编辑,而且相对于现有的竞争性解决方案,其属性交错问题更少。
Mar, 2021
本文提出了一种名为 SD-GAN 的创新框架,应用于处理具有挑战性的面部离散属性合成,利用语义分解将离散属性表示明确地分解为两个组件,并利用 3D 感知语义融合网络来获得偏移潜在表示,从而实现了精确合成具有离散属性的逼真人脸图像,构建了一个大型和有价值的数据集 MEGN 用于完成现有数据集中离散属性的不足,定量和定性实验证明了 SD-GAN 的先进性能。
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
本文提出了一种新颖的模型,通过在潜在空间中对所有属性进行解缠编码,实现了能够同时操作多个特征的图像生成,性能在 CelebA 人脸数据库上得到了验证。
Mar, 2018
本研究提出了一种新的控制图像属性的编辑方法,通过学习多种属性变换和应用内容损失和对抗损失来实现单一和多属性的编辑,并保留图像身份和真实感。此外,提出了客观评价标准以衡量模型性能,结果表明该模型在目标图像操作方面达到了最先进水平。
Feb, 2021
本文提出了一种新的框架 (IALS),它利用来自一组对输入图像评估的属性分类器的监督来注入实例信息,通过执行实例感知潜空间搜索来找到解耦属性编辑的语义方向,并提出了一种 “DT” 度量来量化属性转换和解耦功效,并基于它找到属性级和实例级方向之间的最优控制因子。
May, 2021
本文提出了一种基于渐进式注意力 GAN 的人脸属性编辑方法,通过每个级别的注意力掩模约束在适当的属性区域内,从高到低的特征级别逐步进行编辑,以维护身份和背景等其他信息,并避免不必要的修改干扰,使该方法实现了正确的人脸属性编辑,并更好地保留了不相关的细节信息。
Jul, 2020