通过使用 StarGAN 和保持发音相符合的口形损失,我们提出了一种新颖的方法将 3D 面部动画转换为不同的情感和个人风格,以便修改动画的风格特征。
Jul, 2023
本文提出了一种只需要输入一个源标识符和目标表情,便可生成一定质量的表情图片的一次性脸部再现模型,FaR-GAN,适用于图片处理和电影制作。将此方法应用于 VoxCeleb1 数据集并与其他方法进行比较取得更好的效果。
May, 2020
提出了一种名为 ReenactGAN 的基于学习的框架,可从单眼视频输入转移人脸运动和表情到目标人物。此方法将源脸映射到边界潜空间,使用变形器进行调整,最终生成重现的目标面孔,这一过程可以在实时(30 FPS 的 GTX 1080 GPU 上)中执行。
Jul, 2018
提出了一种基于生成对抗网络的端到端人脸转移方法,使用 CycleGAN 生成目标角色的面部图像并探究了 PatchGAN 以及不同感受野大小对生成图像的影响。
Oct, 2017
本文提出利用个性化生成器进行面部复原的新方法,通过采用个性化的生成器,我们可以拍摄一个短且多样化的自我扫描视频以训练我们的生成器,并结合精心设计的潜在优化来确保图像保持身份,并展示我们的方法在面部复原方面具有最先进的性能,同时可以进行语义编辑和风格化处理。
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
通过使用数据增强技术和生成对抗网络模型,将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务,使得模型的泛化能力得到提高,从而实现对面部表情的自动识别,准确率达到 85%。
通过一个创新的端到端框架,我们提出了一种高保真度的面部交换方法,其中使用了深度学习方法中的生成对抗网络(GANs)作为基础,通过面部属性编码器、基于注意力的样式混合模块和样式解码器等多个模块,解决了以往面部交换方法中的混合不一致、失真、伪影和训练稳定性等问题。我们在 CelebA-HQ 数据集上进行了大量实验,与其他先进方法相比,我们的面部交换方法生成的图像具有更高的视觉质量,并且每个提出的模块都显著有效。源代码和权重将公开提供。
Dec, 2023
基于参数化的三维面部表情表示,我们提出了一种新颖的面部表情转化框架(GaFET),该框架可以稳定地分解表情,并通过多级特征对齐变换器和基于 StyleGAN 的去表情模型解决了非几何面部细节特征和空间特征对齐的问题,进而实现了与当前最先进方法相比更高质量和更准确的面部表情转换结果,并且适用于各种姿势和复杂纹理。此外,我们的方法省略了视频或注释训练数据,使得使用和推广更加简单。
Aug, 2023
本文提出一种几何引导生成对抗网络 (G2-GAN),通过面部几何条件(标识点)来引导特定表情的面部纹理合成,实现逼真的与身份保护面部表情合成,并取得了良好的实验效果。
Dec, 2017