通过独立子空间学习分离的表示

ICCVAug, 2019

Learning Disentangled Representations via Independent Subspaces

Maren Awiszus, Hanno Ackermann, Bodo Rosenhahn

TL;DR本论文提出了一种利用神经网络学习解开图像可控制性表示从而允许局部图像操作的方法，能够直接转移面部特定区域如眼睛、头发和嘴巴等部分的形状和颜色，而其他部位不变，通过使用定位的 ResNet 自编码器和几个损失函数进行训练，利用 CelebA 数据集检验了该方法的良好效果。

Abstract

Image generating neural networks are mostly viewed as black boxes, where any change in the input can have a number of globally effective changes on the output. In this work, we propose a method for learning disentangled representations to allow for localized image manipulations. We use

neural networks disentangled representations image manipulation facial attributes celeba dataset

发现论文，激发创造

通过潜在空间映射的人脸身份分离

本文提供了一种使用预训练网络来学习数据的解缠表示的方法，以实现最小的监督，同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。

May, 2020

从面部图像学习解耦表情表示

本文使用对抗学习方法学习人脸图像的解缠表示，提高了在 AffectNet 数据集上表情识别任务的准确率。

Aug, 2020

神经元人脸编辑与内在图像分离

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

分离式人物图像生成

本研究提出了一种基于二阶段重建管道的方法来生成真实但新颖的人物图像，该方法利用解耦表示学习各种图像因素，并同时生成新的人物图像，实验结果表明该方法不仅能够生成具有新前景、背景和姿态的逼真人物图像，还能用于人物再识别任务。

Dec, 2017

图像编辑的紧凑且语义潜空间的解缠和可控

我们提出了一种自编码器方法，通过重新组织 StyleGAN 的潜空间，使我们希望编辑的每个属性对应于新潜空间的一个轴，同时确保潜空间轴之间的相关性降到最低，以促进属性解缠，通过实验证明了我们的方法在编辑能力上超越了竞争方法，同时在保持图像身份一致性方面与原始图像具有高度的准确性，我们的自编码器结构简单明了，易于实现。

Dec, 2023

通过结构化噪声注入实现图像分离生成

通过多个噪声编码与全连接层进行注入噪声的设计选择，实现了对生成对抗网络（GANs）的潜在空间进行解缠纷的目标，并达到更好的解缠纷分数，同时实现了对生成图像的空间解缠纷、尺度空间解缠纷和前景对象与背景样式的解缠纷，从而实现了对生成图像的精细控制。

Apr, 2020

通过循环一致变分自编码器分离变异因素

本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

Apr, 2018

学习分解表示以实现强固的人员再识别

本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

Oct, 2019

通过分离表示学习进行人脸反欺骗

本文提出了一种新型的人脸反欺诈方法，旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征，并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力，并在公共基准数据集上进行了充分的实验结果验证。

Aug, 2020

基于分离表征的多样化图像翻译

该研究提出了一种基于解缠表示的方法，用于在无成对的训练图像的情况下产生多样化的输出，在领域适应方面具有竞争性表现，并且在多种任务上可以生成多样化与逼真的图像。

Aug, 2018