人脸图像合成的最新进展
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
通过分析当前 GAN 人脸检测的研究方向和方法,本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类,总结出不同类别的关键思路并与其具体实现相联系,讨论了存在的问题并提出了未来研究方向。
Feb, 2022
本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络(GAN),可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像,并且该模型可以提高面部识别模型的准确率。
Oct, 2018
利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式,将字符转换为像素,有效地将文本和图像建模相结合,从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。
May, 2016
本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法,强调在改变面部属性的同时,保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法,通过现有的面部识别和年龄估计解决方案,对所得到的老化和回复面部图像进行客观评价,证明了所提方法的高潜力。
Feb, 2017
本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题,并提出了 SynFace,探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因,并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外,对于人工合成的图像,本文还对姿态,表情,光照等因素进行了实验分析,提供了几种有效利用合成数据进行人脸识别的方法。
Aug, 2021
提出了一种基于 3D 可变形模型和生成对抗网络的面部综合模型,使用普适化方法将几何数据映射到二维平面,实现了对数字扫描的几何数据高效处理,在人类纹理参数空间中生成逼真的面部纹理和它们的对应几何图形,从而获得了新的高分辨率 3D 面孔。
Aug, 2018
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。
Apr, 2017
本文提出一个基于面部构图信息的 Composition-aided Generative Adversarial Network (CA-GAN) 来生成面部素描 / 照片。通过使用成对的输入包括面部照片 / 素描和相应的面部标签来进行合成,最终使用堆叠的 CA-GANs (SCA-GAN) 去修正缺陷并增加有吸引力的细节,实验结果表明,我们的方法能够在广泛的具有挑战性的数据范围内生成视觉舒适、保持特征的面部素描 / 照片,并且取得了最佳的生成效果。
Dec, 2017