NIPSJun, 2017

Fader Networks：通过滑动的属性来操纵图像

PDF
TL;DR介绍了一种新的编码器 - 解码器架构，用于在潜空间中直接区分图像的显著信息和属性值以训练图像的重构。通过使用连续属性值，用户可以修改图像，同时保持其自然并能通过滑块进行人脸表情和物体颜色的更改等。相比于先前的技术，我们的方式不仅训练方案更为简单也支持多种属性。
encoder-decoder architecturelatent spaceimage reconstructionattribute manipulationcontinuous attribute values
发现论文，激发创造
  • AttGAN: 仅修改您想修改的部分的面部属性编辑

    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

  • 走向自动图像编辑：学习看到另一个自己

    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

  • FaceController: 野外人脸可控属性编辑

    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

  • 学习残缺图像以进行人脸属性操纵

    该论文提出了一种面部属性操作方法，基于生成对抗网络，并使用图像转换网络和鉴别网络。通过学习前后图像的差异，来实现属性操作，并使用双向学习方法。实验结果表明，该方法可以有效地进行面部属性操作，保留了不相关部位的细节。

    Dec, 2016

  • 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

  • 面具感知写实人脸属性编辑

    本研究使用变分自动编码器 (VAE) 和生成式对抗网络 (GAN) 相结合的方法，设计了 M-AAE 算法，在保持面部细节的前提下修改图片特征，通过面部识别损失和循环一致性损失，以及生成面部口罩来强化 VAE 和 GAN 的训练目标，成功生成了高质量、保留细节的图像，并超越了现有方法。

    Apr, 2018

  • STGAN: 一个统一的选择性转换网络，用于任意图像属性编辑

    通过将选择性转移单元与编码器 - 解码器网络和生成对抗网络相结合，本文提出了一种属性编辑模型，可以有效地提高感知质量和属性操纵准确性。

    Apr, 2019

  • Attribute2Image: 从视觉特征生成有条件的图像

    探究了从视觉属性生成图像的新问题，开发了一种具有分离潜在变量的分层生成模型，该模型可以使用变分自动编码器进行端到端学习，使用一般的能量最小化算法进行后验推理，展示了在面部和鸟类自然图像中生成具有分离潜在表示的逼真多样样本的优异结果。

    Dec, 2015

  • MulGAN：基于样例的人脸属性编辑

    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

  • 通过编辑纠缠隐式表示实现可控非监督文本属性转移

    我们提出了一种基于 Transformer 自编码器和快速梯度迭代修改算法的非监督文本属性转移框架，可在不使用任何平行数据的情况下更改特定属性，同时保留其属性独立内容，并且能够灵活控制转移程度和同时转移多个方面。

    May, 2019