ICCVApr, 2017

超越脸部旋转：全局和局部感知 GAN 用于逼真且保留身份特征的前方合成

PDF
TL;DR本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法，通过引入对局部纹理的注意力网络，并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明，该方法不仅在感知结果上表现出色，而且在大角度人脸识别方面也优于现有的最新方法。
photorealistic frontal view synthesistwo-pathway generative adversarial network (tp-gan)local detailsadversarial lossface recognition
发现论文，激发创造
  • 用于大姿态人脸正视的双重注意力生成对抗网络

    本文提出了一种新的双重关注生成敌对网络（DA-GAN）来实现逼真的人脸正面效果生成，它结合了自注意力机制和面部注意力机制，使得生成的前面部分的人脸更加真实，具有更精细的面部外观和纹理信息，并在定量和定性实验中取得了良好的表现。

    Feb, 2020

  • 野外条件下的大姿态人脸正向化

    本文提出了一种利用深度学习中的 3D 可塑模型进行面部正面化的生成式对抗网络，可以有效提高识别率和处理不同姿势的面部图像。

    Apr, 2017

  • 通过旋转你的人脸进行表征学习

    本文提出了一种基于 DR-GAN 的面部识别方法，通过生成对抗网络的编码器 - 解码器结构，学习一种表征，该表征可以生成合成的面部图像和具有逆变性的面部姿势识别，同时该表征与其他具有 pose 表现的人脸变化明确地分离，因此在控制场景和实际场景中比当前技术更为出色。

    May, 2017

  • GP-GAN: 基于特征点的面部生成网络维护性别特征

    本文致力于使用生成模型（GP-GAN）从所给的面部标志点中合成对应的面部图片，并通过大量实验证明，该方法可以通过保留性别等信息从面部标志点中生成更准确的面部图片。

    Oct, 2017

  • 人脸图像合成的最新进展

    本文系统介绍了传统方法和深度学习方法，尤其是生成对抗网络（GAN）在面部合成方面的应用及其对身份保护的重要性，并讨论未解决的困难和未来研究方向。

    Jun, 2017

  • 多视角人脸图像合成的负载平衡对抗生成网络

    本文提出了一种基于 LB-GAN 的方法，精确旋转输入人脸图像的航向角度到任意指定角度，该方法将多视角合成问题分解成两个受约束的子任务，其中正面化器处理输入图像，编辑器则根据远程代码旋转图像，最后通过有条件的自我循环损失和基于注意力机制的 L2 损失进行训练，实验验证该方法不仅提高了多视角合成图像的视觉逼真度，而且具有良好的身份信息保护能力。

    Feb, 2018

  • 基于 3D GAN 的大姿态人脸识别改进

    研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。

    Dec, 2020

  • eMotion-GAN：基于运动的 GAN 用于逼真且保留面部表情的正面视角合成

    eMotion-GAN 是一种深度学习方法，用于前视合成并保留面部表情，在处理头部姿势变化时显著提高面部表情识别 (FER) 系统的性能。

    Apr, 2024

  • 基于生成对抗网络的极化热脸可见脸合成

    本文提出了一种基于生成对抗网络的可见面孔合成 (GAN-VFS) 方法，通过联合优化来自极化热成像的面孔图像。通过在训练过程中引入指导子网络来确保编码的可见特征包含更多的语义信息，结合恒等损失和感知损失实现兼顾光学真实属性和重建输出的区分特征，实验表明该方法达到了最先进的性能。

    Aug, 2017

  • 几何引导的对抗性面部表情合成

    本文提出一种几何引导生成对抗网络 (G2-GAN)，通过面部几何条件（标识点）来引导特定表情的面部纹理合成，实现逼真的与身份保护面部表情合成，并取得了良好的实验效果。

    Dec, 2017