本研究旨在通过采用编码器 - 解码器架构进行人脸年龄编辑,创造一个包含面部身份的潜在空间和与个体年龄对应的特征调制层,以在单个统一模型中实现高分辨率图像上的连续年龄编辑。
May, 2020
ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征,从而在没有任何伪造训练数据的情况下,实现面部伪造检测。与现有技术相比,ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。
Dec, 2020
该研究提出了一种新方法,可以通过输入视频实现人像视频的逼真的重新动画制作,在此过程中将源演员的全面影响转移到目标演员的画像上。
May, 2018
利用生成型神经网络构建一个新的面部去标识化流程,它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者,同时保留非身份相关的数据方面,并且证实这种基于 GNN 的去标识化方法非常有效,其去标识化后的图像能够达到近似随机的识别效果。
Jul, 2017
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
Face2Face 是一种用于实时面部复刻的创新方法,可以通过非刚性基于模型的束缚,跟踪面部表情,实现来自单眼录制的目标视频序列的面部表情的动画化,并以逼真的方式重新渲染操作后的输出视频。
Jul, 2020
该论文提出了一种优化自由的面部识别编码器,以在条件面部图像中保留面部标识符,并提出了自我增强的可编辑性学习方法,从而在更快的速度下生成具有不同场景下的保留标识符的图像。
Jul, 2023
本文提出了一种新模型,通过利用自监督学习技术和三维人脸模型中的标志点来对运动进行建模,并引入了新的运动感知多尺度特征对齐模块来进行视频合成,从而实现了对头部姿态和表情的自由控制,并且得到了最优质的合成音频视频输出。
Apr, 2023
本研究提出使用 Deepfake 技术的人脸交换方法,达到视频的去识别化,以保护医疗数据的隐私。同时,通过对帕金森症患者视觉影像的实验,证明了人脸交换方法对身体关键点检测的影响较小,能够有效保护身体关键点数据的准确性。该方法方案可促进医学数据共享和促进医学研究,进而造福社会。
Feb, 2020
本篇研究提出了一种数据驱动的方法,通过运用并行流来去模糊面部图像并保留身份信息,用于在高级面部分析任务中获得更好的结果。
Mar, 2018