Dec, 2018

FaceFeat-GAN: 一种保持身份识别的人脸合成的两阶段方法

PDF
TL;DR本文提出了 FaceFeat-GAN 模型，使用两阶段的模型合成人脸图像，通过在不同阶段的目标函数精心设计，能够在保留身份信息的同时生成高多样性和高质量的图像，较之前的方法表现显著优越。
generative adversarial networksface image synthesisfacial identity preservationimage quality and diversitytwo-stage synthesis
发现论文，激发创造
  • 人脸图像合成的最新进展

    本文系统介绍了传统方法和深度学习方法，尤其是生成对抗网络（GAN）在面部合成方面的应用及其对身份保护的重要性，并讨论未解决的困难和未来研究方向。

    Jun, 2017

  • 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

  • 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

  • 基于条件生成对抗网络的人脸老化

    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

  • 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

  • 生成分层特征用于合成图像

    通过学习样本数据的潜在分布，生成对抗网络（GAN）最近推动了图像合成的进展。本文通过使用预训练的 StyleGAN 生成器作为已学习的损失函数，并利用其分层表示来训练新的层次编码器，展示了学习图像合成如何产生通用于广泛应用的出色分层视觉特征。通过广泛的定性和定量实验结果表明，GH-Feat 具有很强的可转移性，可以应用于图像编辑、图像谐调、图像分类、脸部验证、地标检测和布局预测等生成和判别任务。

    Jul, 2020

  • 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

  • GANDiffFace: 通过对真实变异性的控制生成可控的人脸识别合成数据集

    本论文提出了 GANDiffFace，一种结合生成对抗网络（GAN）和扩散模型的新型框架，用于为人脸识别生成具有高度真实感的合成数据集，以克服现有合成数据集的局限性，特别是 GAN 提供的有限化内类别变化，进而增强内类别变化。

    May, 2023

  • 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

  • FaceStudio：在几秒钟内将您的脸放到任何地方

    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