LADN:面部化妆与卸妆的本地敌对解缠网络
提出了一种基于生成对抗网络的端到端面部编辑器,通过该编辑器,可推断出具有内在面部属性的面部特定分离表示,包括形状(即法线),反射率和照明,同时呈现出阿尔法或透明度。通过应用物理图像形成模块和适当的损失函数进行“野外”图像训练得到的分解潜在表示允许使用语义相关的编辑,在保持正交属性不变的同时操纵面部外貌的一个方面,在许多面部编辑应用中得到了展示。
Apr, 2017
本文提出了一种使用双层对抗网络(BLAN)进行学习的方法,以解决化妆对面部识别的负面影响,首先从化妆样本中生成不化妆的图像,再进行进一步的验证,实验结果证明我们的方法能够达到业界最高的识别准确率,并且能够产生高质量的真实不化妆图像。
Sep, 2017
本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部,该方法可用于本地面部编辑、面部合成和交换,同时提供了数据增强的选项以加强面部分析的性能。
May, 2019
本文提出了DMT (Disentangled Makeup Transfer),这是一种统一的生成对抗网络,可实现不同场景的化妆技术转移,它包含了一个身份编码器和一个化妆编码器来解缠非化妆人脸的个人身份和化妆风格,可产生具备高质量和可控功能的化妆转移结果。
Jul, 2019
本文介绍了一种名为InterFaceGAN的框架,通过解析状态最先进的GAN模型学习的分离面部表示,并研究在潜在空间中编码的面部语义属性特性,可以实现面部属性的真实操作而不必重新训练模型,并且可以更准确地控制特征操作。
May, 2020
提出了CA-GAN模型,用于学习可控的妆容风格颜色合成,能够在保留背景的同时将图像特定对象(例如嘴唇或眼睛)的颜色修改为任意目标颜色,该方法利用弱监督学习进行条件GAN训练,无需获取稀少且昂贵的颜色标签,为复杂对象的可控合成提供一种解决方案,同时提供了妆容风格迁移和颜色控制性能的定量分析。
Aug, 2020
本研究旨在压缩面部化妆转换网络,通过协作蒸馏和核分解这两种方法进行模型压缩,从而提高模型运行效率,试验结果表明,这种压缩方法可以有效地应用于美妆转换领域。
Sep, 2020
本文提出了一种名为AMT-GAN的新型人脸保护方法,旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像,通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突,实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量,同时在Face ++,Aliyun和Microsoft等商业FR API上实现更高的攻击成功率。
Mar, 2022
本研究解决了深度学习人脸识别系统带来的隐私风险,尤其是现有方法需依赖大规模化妆数据集所导致的弊端。通过提出一种在测试时优化未训练神经网络的创新方法,实现了从参考图像向源图像转移化妆风格,同时避免了男性和女性数据集偏见。实验结果表明,该方法在面部验证和识别任务中表现优越,且对商业人脸识别系统具有有效的保护效果。
Aug, 2024