MarioNETte: 少样本人脸换脸,保留未知目标身份
该研究提出了一种基于一次学习的人脸复现系统,通过将目标人脸外观和源脸形状投影到潜在空间中,并学习一个共享解码器来使这两个潜在空间相关联,从而实现有效建模。该方法在 Mustache 和 Hair 区域照片合成的质量上比传统方法有很大提高,并且仅用一张目标图像训练便能实现与多张目标图像训练同样令人满意的结果.
Aug, 2019
我们提出了一种新颖的端到端身份不可知的面部重仿真系统 MaskRenderer,可以实时生成逼真高保真度的帧。综合定量和定性实验证明,MaskRenderer 在未见过的面部,尤其是源身份和驱动身份非常不同的情况下,优于最先进的模型。
Sep, 2023
使用预训练的 StyleGAN2 生成器,结合超网络技术,我们的神经脸部再现方法 HyperReenact 在一次性条件下,实现了逼真的说话头部图像的生成,消除了外部编辑方法通常产生的伪影,并具有出色的鲁棒性,甚至在极端头部姿势变化下也表现出卓越的性能。
Jul, 2023
本论文提出了一种神经面部 / 头部再现的框架,其目标是将目标面部的 3D 头部方向和表情转移到源面部。我们采用了不同的方法,通过使用(精调)预训练的生成对抗网络,绕过了学习嵌入网络以实现身份和头部姿态 / 表情分离的困难任务,以提高生成图像的质量。我们的方法通过将真实图像嵌入生成对抗网络的潜在空间,成功实现了对真实世界面部的再现。
Feb, 2024
提出了一种新颖的轻松适应管道 head2headFS,可以将源人的表情和整个头部姿势高质量地转移到目标人,使用源的密集 3D 面部形状信息来调节目标人的合成,fine-tuning 自适应多人数据集训练的通用生成器为个人特定的生成器,具有 few-shot learning 功能。
Mar, 2021
本文提出了一种新颖的生成对抗网络,用于单次面部再现,能够在保持面部原始外观的同时对单个面部图像进行不同的姿势和表情动画效果。作者们设计了外观自适应归一化机制和本地网络结构,用于集成外观信息和优化脸部生成器,实现更加精准的面部再现表达。实验结果表明,该模型在单次方法中取得了显著的效果提升。
Feb, 2021
本文提出了一种使用重建的三维网格作为指导学习复合脸合成所需光流的方法,以便更精确地实现表情和姿势,在定性和定量比较方面优于现有方法,并解决现有方法在单次或少次情况下的身份保护问题。
Aug, 2020
通过稳定扩散技术,提出了一种名为 AniFaceDiff 的新方法,通过增强的 2D 面部快照调节和表情适配机制实现高保真度的人脸复制,展示了在人脸复制中的卓越图像质量、身份保留和表情准确性的超过其他方法的结果
Jun, 2024
提出了一种基于图像的面部再现系统,其可用于将源视频用户的面孔替换为现有目标视频中演员的面孔,并保留原始目标性能,系统具有全自动化和不需要源表情数据库的特点,使用了图像检索和面部转移以产生令人信服的效果。
Feb, 2016