Sep, 2019

PSGAN：面部表情姿势健壮空间感知 GAN，用于可定制化化妆迁移

PDF
TL;DR在该研究中，我们提出了 Pose and expression robust Spatial-aware GAN (PSGAN)，它通过 Makeup Distill Network 来将参考图像的妆容分解为两个空间感知的妆容矩阵，使用 Attentive Makeup Morphing 模块指定从参考图像到源图像的学习方式，并通过 Makeup Apply Network 连接源图像和妆容矩阵来进行妆容转移。实验结果表明，我们提出的 PSGAN 不仅在大幅度姿态和表情变化的情况下取得了最新的研究成果，而且还能够进行部分和颜色可控的妆容转移。
makeup transferpsgancustomizable transferattentive makeup morphingstate-of-the-art
发现论文，激发创造
  • SOGAN: 面向化妆迁移的三维感知阴影和遮挡鲁棒性 GAN

    本文介绍了新颖的虚拟化妆转换方法 3D-Aware Shadow 和 Occlusion Robust GAN（SOGAN），该方法成功地解决了在真实环境中进行化妆转换所面临的问题，并且在大姿态和表情变化方面也有很好的表现。

    Apr, 2021

  • CA-GAN: 弱监督颜色感知 GAN 用于可控化妆迁移

    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

  • 保护面部隐私：通过样式鲁棒化妆转移生成对抗身份面罩

    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

  • Face-PAST：面部姿势感知和风格迁移网络

    我们提出了一种面部姿态感知和风格转换（Face-PAST）网络，它在生成高质量的风格化图像的同时保留面部细节和结构。通过使用预训练的风格生成网络和残留调制块而非变换编码块，以及利用门控映射单元和面部结构、身份和分割损失来保留面部结构和细节，我们的网络能够用非常有限的数据进行训练。我们的训练过程采用课程学习策略来在生成空间中进行高效灵活的风格混合。通过广泛的实验证明了我们的 Face-PAST 方法相较于现有最先进的方法的优越性。

    Jul, 2023

  • 区域自适应规范化在语义人像生成中的应用

    提出了一种新的两阶段框架来处理姿势和外观的转化，通过区域自适应规范化，利用区域风格指导目标外观生成，生成更语义化、一致性和逼真的结果。

    Apr, 2021

  • 姿态与风格：基于条件 StyleGAN 的保留细节的姿态引导图像合成

    本文提出了一种基于单个图像的算法来重新渲染人物在各种姿态下的效果，并通过人体对称先验来学习插画对应关系，使用 StyleGAN 生成器控制外观和姿态，比现有技术表现更好

    Sep, 2021

  • MUST-GAN: 自主驾驶人物图像生成的多层统计转移

    提出一种新颖的多层次统计转移模型，通过注意力机制和属性统计学习最优的外貌表示，将其传输到姿势引导生成器进行外貌和姿势的重构，从而实现自主驱动的人物图像生成，实验证明该方法在 DeepFashion 数据集上表现出色。

    Nov, 2020

  • SARA: 区域对齐与区域自适应归一化的可控化妆迁移

    本文提出了一种新颖的空间对齐和区域自适应归一化方法（SARA），用于实现细节级的妆容迁移，可以处理大尺度空间错位，并实现部位特定和可调节阴影的妆容迁移。实验结果表明，我们的 SARA 方法优于现有方法，在两个公共数据集上达到了最先进的性能。

    Nov, 2023

  • 深度本地化化妆迁移网络 - 像超级巨星一样化妆

    本文提出了一种新颖的深度本地化化妆转移网络，可自动为女性推荐最合适的化妆品，并在她的脸上合成化妆品，具有完整的功能，包括化妆品特定功能，局部应用，产生自然的外观结果，控制化妆深度，与使用 Guo 和 Sim，2009 年的方法及 NerualStyle 的两个变量相比，我们的网络表现更好。

    Apr, 2016

  • 面部属性转换器实现精准和强健的化妆迁移

    本文提出了一种基于 Facial Attribute Transformer（FAT）和其空间变体 Spatial FAT 的高质量化妆转移方法，利用 Transformer 模型语义对源面部和参考面部之间的对应关系和相互作用进行建模，进而准确地估计和转移面部属性，同时通过集成 Thin Plate Splines（TPS），Spatial FAT 还可以转移几何属性，而且在颜色保真度和空间变换方面表现优异，经过严格的定性和定量实验验证了所提出方法的有效性和优越性。

    Apr, 2021