用于面部属性分析的剩余编码自编码器
通过利用自动编码器将面部图像向量转化为新的表示,本研究提出一种缩小有标签训练数据差距的方法,从而在无监督的人脸验证技术方面取得了 56%的 EER 相对改进,成功缩小了余弦和 PLDA 评分系统之间的性能差距。
Dec, 2023
本研究提出了一种新颖的方法来构建变分自编码器 (Variational Autoencoder,VAE), 该方法通过 enforced deep feature consistency 的方式替代了传统的像素级别的损失,以充分保留输入数据的空间相关性,产生更自然的视觉效果和更好的感知质量。 对 CelebA 数据集的测试结果表明,我们模型能够优于其他文献中的方法,并且还能够产生能捕捉面部表情语义信息的潜在向量,这些向量可用于实现面部属性预测的最新性能。
Oct, 2016
提出了一种自动编码器技术,结合了变分自动编码器与生成式对抗网络,可透过特征表示量测数据空间的相似性,进而以特征误差为基础重新构建数据分布,其具有位移不变性,运用在脸部图像上可提供更优的视觉保真度,并能够学习出抽象且高层次的视觉特征。
Dec, 2015
本文提出了一种基于深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低,而且与 JPEG2000 具有类似的复杂度。
Apr, 2018
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
研究论文旨在提出一种减少对标记数据依赖的替代方法,通过在面部图像识别任务中利用自编码器预训练和两步过程来实现。自编码器首先以无监督的方式使用大量无标签的训练数据集进行训练,然后使用预训练自编码器的初始化参数进行深度学习模型的训练。该方法的实验结果表明,使用预训练自编码器参数初始化的深度神经网络可以达到与现有方法相媲美的效果。
Dec, 2023
本研究提出了一种基于生成对抗网络的模型,可以通过年龄估计技术来控制面部老化和变年轻的准确性,同时利用高级特征表示来保留个性化身份信息,实验结果显示该方法具有比现有方法更好的性能。
Apr, 2018
本文提出了一种条件差异对抗自编码器(CDAAE)的方法,用于从单张面部图像中合成逼真的面部表情,该方法可以解决因没有标记的面部表情数据而造成的身份和表情变化的消歧问题,同时能够在生成表情的同时保留身份信息,并可用于情感识别和数据扩增等方面。
Aug, 2017
本文提出了一种基于深度卷积自编码器的新颖模型,用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合,提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内,以输入的码向量作为输入,从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下,首次实现了 CNN 编码器和专家设计的生成模型的端到端训练,这使得对非常大的(未标记的)真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。
Mar, 2017
该研究提出了一种名为 DeepCoder 的半参数建模框架,将参数化(卷积)和非参数化 (序数 GPs) VAE 的建模能力结合起来,用于多层次任务层次结构的潜在表示和多个序数输出的分类的联合学习,该模型在 AU 强度估计的基准数据集上表现出超越最先进方法和相关 VAE 和深度学习模型的优势。
Apr, 2017