本研究旨在改变面部图像的一个或多个属性，并保持其他细节，使用生成敌对网络（GAN）和编码器 - 解码器架构来确保高质量的面部特征编辑。

Nov, 2017

本论文中提出了一种名为 AF-VAE 的方法，通过引入新的加性高斯混合假设和无监督聚类机制，实现了对高分辨率人脸图像的任意操作，并通过人类参与度量和最新的 IS/FID 测试表明了该方法在人脸操作任务中的卓越性能。

Aug, 2019

本文提出了一种改进变分自编码器性能的新方法，通过实施生成对抗训练机制，使得 VAE 输出逼真自然的图像；同时，还使用多视图特征提取策略提取有效的图像表示，从而获得了在面部属性预测上最先进性能。

Jun, 2019

本文提出了一种基于渐进式注意力 GAN 的人脸属性编辑方法，通过每个级别的注意力掩模约束在适当的属性区域内，从高到低的特征级别逐步进行编辑，以维护身份和背景等其他信息，并避免不必要的修改干扰，使该方法实现了正确的人脸属性编辑，并更好地保留了不相关的细节信息。

Jul, 2020

本文提出了一种基于局部属性编辑的新方法 MaskFaceGAN，采用最先进的生成对抗网络（StyleGAN2）的潜在编码进行优化，通过不同 iable 的属性分类器和面部解析器执行多个约束条件，实现对人脸图像的局部面部属性进行编辑，达到了极高的图像质量，在 1024x1024 的高分辨率下进行编辑，而且相对于现有的竞争性解决方案，其属性交错问题更少。

Mar, 2021

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

本文提出了一种面向高分辨率人脸属性编辑的掩码引导生成对抗网络 (MagGAN)，通过使用预先训练的人脸分析器中的语义面部掩码来指导细粒度的图像编辑过程。

Oct, 2020

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

本篇研究介绍 Diff-AE 与 GAE 两种基于 Diffusion probabilistic models 的编码器模型，实现由多个属性进行图像编辑和生成，大大降低了计算需求，并达到了相当不错的效果，对潜在特征得到了更好的分离。

Jul, 2023

本文中提出的基于属性标签限制的模型，可以通过在预定义的潜在特征空间中直接应用属性标签并使用属性分类损失，从图像中提取属性相关信息，以实现用于编辑多个属性的面部属性传输，同时通过设计新的模型结构来提高属性传输能力。在 CelebA 数据集上的实验结果表明，该方法有效地克服了其他方法存在的三个限制。

Dec, 2019