人脸去卡通化
本文提出了一种 IFRP 方法,结合了 SRN 和 DN 网络,通过 STN 自动矫正艺术肖像图像的定位问题,并使用 FaceNet 网络检测提取人脸特征,从而实现从不对齐的肖像中恢复出保留主体身份的高质量真实面部图像。
Apr, 2019
本文提出了一种利用辅助预训练人脸识别模型的嵌入特征来促进图像风格转移算法将内容图像中的人脸特征传播到最终风格化结果,以解决现有方法在整个风格化过程中难以保留人脸的个体特征的问题。
Sep, 2023
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
本文提出了一个新的照片逼真人像生成框架,可以有效减轻「奇异山谷」效应,提高渲染人像的真实性。使用转移学习从渲染人像的潜在空间学习到真实人像的潜在空间的一致映射,使虚拟角色的人像在外观风格改变的同时保持面部身份的不变,通过细化 StyleGAN2 生成器以保留与面部身份相关的几何和色彩特征。通过定性和定量评估以及消融实验,证明了我们的方法相较于现有方法的优势。
Oct, 2023
提出了一种多模态卷积神经网络的方案,本方案可以在多个尺度上处理风格和纹理提示,从而将艺术风格转移应用到常规照片上,平均效率也高于当前市场上其他方法。
Nov, 2016
本研究提出了一种无需训练的人像风格化框架,名为 Portrait Diffusion,通过使用现成的文本到图像扩散模型,在注意力空间中通过样式关注控制精细地融合内容和样式特征,并提出了一种渐进涂画方法 Chain-of-Painting,从粗糙调整到精细调优,有效实现了面部风格化。
Dec, 2023
我们提出了一种面部姿态感知和风格转换(Face-PAST)网络,它在生成高质量的风格化图像的同时保留面部细节和结构。通过使用预训练的风格生成网络和残留调制块而非变换编码块,以及利用门控映射单元和面部结构、身份和分割损失来保留面部结构和细节,我们的网络能够用非常有限的数据进行训练。我们的训练过程采用课程学习策略来在生成空间中进行高效灵活的风格混合。通过广泛的实验证明了我们的 Face-PAST 方法相较于现有最先进的方法的优越性。
Jul, 2023
通过训练表面变形网络和使用配对样例来翻译目标风格,该方法实现了高度风格化的 3D 人脸模型,可以生成不同拓扑的面部模型,并用于诸如头像生成、几何样式的线性插值以及风格化头像的面部动画等应用。
Mar, 2024
通过对流行的预训练模型在 Instagram 过滤器下的鲁棒性的分析结果,此文研究了简单的保持结构的过滤器对卷积特征空间的影响,并引入了一种轻量级去风格化模块优化卷积神经网络的表现。
Dec, 2019
在本文中,我们引入了一种新颖的一阶段面部恢复年轻化方法,并结合肖像风格转换,在单个生成步骤中执行。我们利用现有的面部恢复年轻化和风格转换网络,两者均在相同的 PR 领域内进行训练。我们的方法独特地融合了不同的潜在向量,每个向量负责管理与年龄相关的属性和 NPR 外观。采用示例为基础的方法,我们的方法比领域级精调方法提供了更大的灵活性,这些方法通常需要针对每个领域进行单独训练或精调。我们的实验表明,我们的模型可以轻松生成年轻化的图像,同时保持示例的风格,保持自然外观和可控性。
Feb, 2024