CVPRApr, 2018

生成融合图像：一个人的身份和另一个人的形状

PDF
TL;DR提出了一种新的基于生成敌对网络 (GANs) 的网络，可以在无监督的情况下同时训练两个或两个以上的图像数据集，并利用定义的相同损失 LI 和形状损失 LS ，以及一种名为 Min-Patch 训练的新训练方法，使其可以生成一个拥有输入图像 x 的身份和输入图像 y 的形状的融合图像。在 VGG Youtube 姿势数据集、Eye 数据集 (MPIIGaze 和 UnityEyes) 和 Photo-Sketch-Cartoon 数据集上展示了定性结果。
发现论文，激发创造
  • 生成逼真的训练数据以提高人脸识别准确性

    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

  • 面向视觉识别的细粒度图像转换

    本研究针对图像变换任务中的身份标签保留问题，通过对生成对抗网络的模型改进，提出了一种保留输入图像身份的图像变换方法，并在 CompCars 和 Multi-PIE 数据集上进行了大量实验证明了模型的实际效用，尤其是在细粒度少样本学习任务上。

    Jan, 2020

  • 面部合成中开放式身份保持的探索

    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

  • 基于 3D GAN 的大姿态人脸识别改进

    研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。

    Dec, 2020

  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020

  • 超越脸部旋转：全局和局部感知 GAN 用于逼真且保留身份特征的前方合成

    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

  • 使用复合生成对抗网络逐部生成图像

    本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

    Jul, 2016

  • 用于人脸照片 - 素描合成和识别的身份感知 CycleGAN

    本研究提出了一种基于 IACycleGAN 模型的人脸照片 - 草图合成算法，采用感知损失监督图像生成网络以改进 CycleGAN，在关键的面部区域（如眼睛和鼻子）的合成过程中更加注重识别，同时还使用合成样本和真实样本的三元组损失增强了识别模型，在 CUFS 和 CUFSF 数据库上的实验结果表明，所提出的方法在合成图像质量和草图 - 照片识别精度方面均优于多个现有的先进方法。

    Mar, 2021

  • 生成对抗网络的潜空间的语义分解

    本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

    May, 2017

  • iWarpGAN：解耦身份和风格以生成合成虹膜图像

    该论文提出了 iWarpGAN 方法，利用两种转换通路（身份转换路径和风格转换路径）解耦虹膜图像中的身份和风格，生成具有身份和风格变异的合成虹膜图像，并使用合成数据增强深度学习算法的性能。

    May, 2023