用于面部表情转换的几何对比 GAN

Feb, 2018

Geometry-Contrastive GAN for Facial Expression Transfer

Fengchun Qiao, Naiming Yao, Zirui Jiao, Zhihao Li, Hui Chen...

TL;DR本研究提出一种几何对比生成对抗网络 (GC-GAN)，其通过将连续的情感跨越不同个体，将具有特定情感的原始面孔转化为带有目标面部表情的面部表情迁移技术。

Abstract

In this paper, we propose a Geometry-Contrastive Generative Adversarial Network (GC-GAN) for transferring continuous emotions across different subjects. Given an input face with certain emotion and a target facial expression from another subject, GC-GAN can generate an identity-preserv

geometry-contrastive generative adversarial network facial expression transfer continuous emotions identity-preserving face embedded semantic manifold

发现论文，激发创造

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

GAGAN: 几何感知生成对抗网络

该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

Dec, 2017

利用生成对抗网络合成面部光度和相应的几何形状

提出新的生成现实人脸几何结构和纹理重叠的方法，通过将几何纹理表示为图像并将其映射到单位矩形上，绕过了几何数据固有的参数化问题，使用先进的 GAN 方法生成新的几何结构，并提出将纹理和几何之间的关系匹配来保持高质量的真实感，证明了该方法的生成模型具有独立于训练数据的新身份的能力。

Jan, 2019

通过生成对抗网络实现高质量面部表面和纹理合成

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

通用三维姿势转移的几何对比变换器

本研究提出了一种定制的三维网格 Transformer 模型，用于姿态转移任务，并在全局和局部上提高了几何不一致性的学习，从而实现了三维姿态转移，并推广到从未知空间的具有挑战性的网格上的交叉数据集任务。

Dec, 2021

基于风格生成器的无约束面部表情转移

提出了一种基于 StyleGAN 模型的面部表情迁移方法，通过优化过程和线性组合方案将两个输入脸部图像的外观属性和表情属性实现合并，从而在不需要几何注释的情况下生成高质量、准确的面部表情合成结果。

Dec, 2019

情感可控泛化说话脸生成

本文提出了一种面部生成方法，使用基于语音内容特征的图卷积神经网络，结合独立的情感输入，生成面部几何感知标记表示上的情感和语音感应运动，并在此基础上，利用光流引导的纹理生成网络生成纹理。

May, 2022

GaFET：学习自野外图像的几何感知面部表情翻译

基于参数化的三维面部表情表示，我们提出了一种新颖的面部表情转化框架（GaFET），该框架可以稳定地分解表情，并通过多级特征对齐变换器和基于 StyleGAN 的去表情模型解决了非几何面部细节特征和空间特征对齐的问题，进而实现了与当前最先进方法相比更高质量和更准确的面部表情转换结果，并且适用于各种姿势和复杂纹理。此外，我们的方法省略了视频或注释训练数据，使得使用和推广更加简单。

Aug, 2023

应用基于关键点引导的生成对抗网络进行面部表情翻译

本文提出利用面部标志信息的地标引导生成对抗网络（LandmarkGAN）, 用于使用单张图像进行面部表情转换，实现了在同样只有一张图像的情况下，比现有的基于关键点指导法更好地实现了面部表情之间的转换。

Sep, 2022

数据增强和迁移学习应用于面部表情识别

通过使用数据增强技术和生成对抗网络模型，将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务，使得模型的泛化能力得到提高，从而实现对面部表情的自动识别，准确率达到 85%。

Feb, 2024