一种基于面部替换的身份混淆混合模型
提出了一种基于生成对抗网络 (GAN) 的框架,以在开放领域中保留身份的人脸合成中,区分脸部的身份和属性。它可以方便地重新组合不同身份和属性,以合成身份保持的面部。
Mar, 2018
该研究提出了一种基于条件生成对抗网络的新型体系结构,可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理,以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化,并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后,该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。
Sep, 2019
利用生成型神经网络构建一个新的面部去标识化流程,它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者,同时保留非身份相关的数据方面,并且证实这种基于 GNN 的去标识化方法非常有效,其去标识化后的图像能够达到近似随机的识别效果。
Jul, 2017
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
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
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
本研究通过引入直接前馈机制和混合引导框架,以人物图像为重点,实现了保留主体身份的图像合成,旨在快速高效生成艺术肖像和身份融合图像,并在定性和定量评估中证明了方法在高保真度和效率方面的优越性。
Dec, 2023
使用 VQGAN 和 StyleGAN 等图像生成技术,我们提出了一种名为 PrivacyGAN 的新方法来保护面部图像的隐私,同时保持图像的可用性,特别适用于社交媒体应用。我们的方法通过将原始图像在嵌入空间内向伪装图像进行移动来实现,该方法在保护隐私指标和鲁棒性评估方面表现出了有效性。
Oct, 2023