CVPRMar, 2020

Vec2Face: 从 Face Recognition 的黑盒特征中揭示人脸

PDF
TL;DR本文提出了一种新的生成模型 - 双射生成对抗网络，并引入成分提取和度量学习来增强图像的重建过程，最终生成出具有真实性和身份保留特性的面部图像。该模型在多个基准数据集上进行实验，证明了其有效性。
face recognitiongenerative adversarial networksbijective metric learningfeature extractionidentity preservation
发现论文，激发创造
  • VIGFace：人脸图像合成的虚拟身份生成模型

    我们提出了 VIGFace，一种新颖的框架，通过在特征空间上使用扩散模型生成合成人脸图像，解决了深度学习人脸识别中的巨大数据集和隐私问题，并实现了从两个方面取得的最新成果。

    Mar, 2024

  • 从身份特征中恢复黑盒人脸

    本文提出了一种基于高斯斑点迭代采样的新算法，用于黑匣子攻击中的人脸恢复，该算法能够构建出与目标人物相似的图像并在采用不同类型的神经网络结构考验下取得了不错的成果。

    Jul, 2020

  • 迈向 AI 合成人脸图像的检测

    通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

    Feb, 2024

  • 通过对抗训练实现解耦的三维面部形状模型

    本研究提出了一种基于生成对抗网络的新方法，利用生成器和鉴别器实现面部建模。通过定量和定性结果表明，这种方法能更好地分离面部特征中的自然因素，尤其是身份和表情，并且比现有的最先进方法在解耦和多样性方面表现更优秀。

    Feb, 2019

  • 通过学习规范化到高斯分布的度量来进行深度非约束人脸验证的生物度量网络

    本文介绍了一种以 Gaussian 分布为目标分布的生物测量学神经网络 BioMetricNet，通过学习最佳特征表示和判定度量，改善了现有基于人脸识别的模型，在公共数据集上表现出更高的性能。

    Aug, 2020

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • 人脸图像合成的最新进展

    本文系统介绍了传统方法和深度学习方法，尤其是生成对抗网络（GAN）在面部合成方面的应用及其对身份保护的重要性，并讨论未解决的困难和未来研究方向。

    Jun, 2017

  • 面部合成中开放式身份保持的探索

    提出了一种基于生成对抗网络 (GAN) 的框架，以在开放领域中保留身份的人脸合成中，区分脸部的身份和属性。它可以方便地重新组合不同身份和属性，以合成身份保持的面部。

    Mar, 2018

  • 几何引导的对抗性面部表情合成

    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

  • FaceFeat-GAN: 一种保持身份识别的人脸合成的两阶段方法

    本文提出了 FaceFeat-GAN 模型，使用两阶段的模型合成人脸图像，通过在不同阶段的目标函数精心设计，能够在保留身份信息的同时生成高多样性和高质量的图像，较之前的方法表现显著优越。

    Dec, 2018