r-BTN：有限面部补丁的跨域人脸复合和合成

AAAIJun, 2017

r-BTN：有限面部补丁的跨域人脸复合和合成

r-BTN: Cross-domain Face Composite and Synthesis from Limited Facial Patches

Yang Song, Zhifei Zhang, Hairong Qi

TL;DR使用递归生成双向转换网络 (r-BTN) 进行大面积缺失填补，生成逼真的人脸 / 素描，并对比现有潜力解决方案进行了广泛的实验来证明其优越性。

Abstract

We start by asking an interesting yet challenging question, "If an eyewitness can only recall the eye features of the suspect, such that the forensic artist can only produce a sketch of the eyes (e.g., the top-left sketch shown in Fig. 1), can advanced computer vision techniques help generate the whole face image?" A more generalized question is that if a la

face completion deep learning networks recursive generation bidirectional transformation networks adversarial constraint

发现论文，激发创造

生成性人脸补全

本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。

Apr, 2017

通过分解表征学习实现内容自适应的草图人像生成

本文提出了一种基于分层结构和纹理分解的生成框架，使用 BFCN 学习结构和纹理表征，并使用 SM-MSE 指标来测量纹理图案。实验表明，相对于基于样例合成的方法，本方法在视觉和客观指标上都表现更好，并且具有更好的跨数据集的泛化能力。

Oct, 2017

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

跨域鲁棒式深度伪造偏差扩展网络用于人脸伪造检测

本研究介绍了一种名为 Cross-Domain Robust Bias Expansion Network (BENet) 的解决方案，通过使用自动编码器和潜空间注意力模块，增强面部伪造检测的鲁棒性，用于优化重建结果和放大伪造线索以及检测跨领域的未知 deepfake 攻击。实验证明了 BENet 在数据库内和数据库间评估中的优越性。

Oct, 2023

全卷积表示学习的端到端照片素描生成

本研究提出了一种基于卷积网络的方法，实现将人脸照片转化为面部素描，并添加判别性正则化项提高生成的人物素描的可辨识度，该方法在多项基准测试中表现优于其他当前最先进方法。

Jan, 2015

针对草图到照片合成的对抗式开放域自适应

本文探讨了开放领域的手绘草图转照片生成，提出了一种同时学习手绘草图 - 照片和照片 - 手绘草图生成的框架，以解决由于缺乏训练监督和草图与照片领域之间的巨大几何扭曲造成的挑战。通过开放领域采样和优化策略，该方法使得生成器能够将合成的草图视为真实草图，从而在各种开放领域草图的颜色、纹理和几何构成等方面取得了令人印象深刻的结果。

Apr, 2021

大范围眼部遮挡下的身份保持人脸修复

本研究提出了一种基于深度学习的面部修复方法，能够在大面积遮挡的情况下实现多角度视角的面部完成重构，并保持面部的身份特征。与传统的面部修复方法不同，该方法基于生成网络，具有特定的约束条件，能够合成具有一致身份特征的连贯面部图像，拥有更好的稳定性和合成技巧。

Jul, 2018

野外人脸素描合成的半监督学习

本文提出了一种半监督深度学习架构，扩展了面部素描合成以处理现实中的面部照片，该方法使用小的参考照片集中的照片与输入照片进行补丁匹配，并使用相应的素描特征补丁组成伪素描特征表示来监督网络。通过该方法，我们可以使用参考照片集和大型面部照片数据集对网络进行训练，并取得公共基准测试和野外面部照片方面最先进的表现。

Dec, 2018

领域取证：通过双向适应揭示跨领域的人脸伪造

通过无监督领域自适应的新解决方案，DomainForensics，从已知伪造品向新伪造品传递伪造知识，通过领域差异的对齐捕捉新伪造品的知识，既考虑前向适应也考虑后向适应，在前向适应中，通过有监督训练在已知伪造品中提升 DeepFake 检测器的能力，并通过对新伪造品进行对抗特征适应传递伪造识别能力，而在后向适应中，通过对抗适应和自我蒸馏提高知识传递效果，使检测器能够从未标记数据中揭示新伪造特征并避免遗忘已知伪造知识。

Dec, 2023

具有上下文关注机制的生成图像修复

本文提出了一种基于生成模型和卷积神经网络的图像修补方法，通过利用周围图像特征进行网络训练，生成的修补图像具有更高的质量和更逼真的纹理结构。

Jan, 2018