本文提出利用面部标志信息的地标引导生成对抗网络(LandmarkGAN), 用于使用单张图像进行面部表情转换,实现了在同样只有一张图像的情况下,比现有的基于关键点指导法更好地实现了面部表情之间的转换。
Sep, 2022
提出了一种无需手动监督来学习视觉对象(例如面部中的眼睛和鼻子)的地标探测器的方法,通过几何提取过程中引入的紧密瓶颈,结合外观和几何来生成图片,该方法适用于多种数据集,包括人脸、人物、3D 对象和数字,同时在无监督地标检测方面优于现有最先进的技术。
Jun, 2018
本文致力于使用生成模型(GP-GAN)从所给的面部标志点中合成对应的面部图片,并通过大量实验证明,该方法可以通过保留性别等信息从面部标志点中生成更准确的面部图片。
Oct, 2017
本文提出一种基于 Deep Alignment Network 深度学习方法的漫画面部标记检测新模型,成功地在 80%以上的情况下检测到了面部特征点。
Nov, 2018
本研究中我们提出了一种用于表情驱动的视频修复的网络,利用生成对抗网络来处理静态和移动的遮挡物以生成完整的人脸图像,并借助面部标志和无遮挡参考图像来保持用户身份的一致性和情感的细节修复,为静态和动态帧中的面部视频消除遮挡提供了逼真和连贯的结果。
Feb, 2024
本文提出了一个包含真实照片、生成照片和编辑照片的面部取证定位数据集,并演示了通过在输入图像中显式添加面部标志信息,提高面部索证检测和定位性能的方法。
Oct, 2019
通过使用标记的真实人脸和未标记的风格化人脸,我们提出了一个简单但有效的方法来学习具有普适性的人脸关键点定位器,该方法通过条件人脸变形器的关键模块来学习人脸关键点定位器,从而为对应的风格化人脸图像提供高质量的伪关键点,从而实现了在人脸关键点定位任务中优于现有最先进领域适应方法的普适性人脸关键点定位器。
Apr, 2024
本文提出了一种 “循环一致性损失” 的算法,旨在克服对面对面合成领域输入外观的保留,使生成的图像质量更高,同时提出了一种新的网络架构,以实现 “自由地基于 landmark 合成脸部” 的任务。
Apr, 2020
利用两阶段训练方法和合成配对数据集,在多个领域中实现了高质量的多领域人脸特征点检测,并优于现有方法。
Jan, 2024
通过结构感知的全卷积网络以及 GAN 的显式 / 隐式学习策略,该论文提出了一种解决单目图像中姿态估计问题的方法,并在 2D 和 3D 姿态估计以及人脸重要标识等相关任务上显著优于现有方法。
Nov, 2017