InterFaceGAN：解读 GAN 学习的分解人脸表示
本文提出了一个名为 InterFaceGAN 的新框架，用于解释 GAN 学习到的语义面部编辑，并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现，精心训练的生成模型的潜在编码实际上学习了一个分离的表示，在线性变换后解旋，通过子空间投影来解开某些绑定属性，实现更精确的面部特征控制，并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。
Jul, 2019
ExFaceGAN 提出了一种在预先训练的 GAN 潜空间中解缠身份信息的框架，使得可以生成任何合成身份的多个样本，而生成图像的变异性不仅限于特定属性。更进一步，本文证明了使用 ExFaceGAN 生成的数据可以成功地用于训练面部识别模型。
Jul, 2023
本文提供了一种使用预训练网络来学习数据的解缠表示的方法，以实现最小的监督，同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。
May, 2020
本文提出了一种基于 DR-GAN 的面部识别方法，通过生成对抗网络的编码器 - 解码器结构，学习一种表征，该表征可以生成合成的面部图像和具有逆变性的面部姿势识别，同时该表征与其他具有 pose 表现的人脸变化明确地分离，因此在控制场景和实际场景中比当前技术更为出色。
May, 2017
本文在使用 StyleGAN2 生成人脸的场景下提出了一种新方法，通过利用现有人脸分析模型（例如人脸解析器和人脸关键点检测器），对潜在子空间的语义进行解缠，并且提供了在此过程中的丰富潜在空间控制，同时提出了一种新的透视法来解释 CNN 分类器的行为，能够帮助揭示分类器所学习到的语义是否合理。
Jan, 2022
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
本文提出了一种名为 SD-GAN 的创新框架，应用于处理具有挑战性的面部离散属性合成，利用语义分解将离散属性表示明确地分解为两个组件，并利用 3D 感知语义融合网络来获得偏移潜在表示，从而实现了精确合成具有离散属性的逼真人脸图像，构建了一个大型和有价值的数据集 MEGN 用于完成现有数据集中离散属性的不足，定量和定性实验证明了 SD-GAN 的先进性能。
Jul, 2022
本文介绍了一种无需外部监督即可将线性编码的面部语义从 StyleGAN 中分离的方法，并结合稳定的三维可变形面部重建方法将单视图 GAN 生成物分解为多个语义。同时，我们还展示了沿着分离表示进行引导外推可以帮助进行数据增强，并提供了对我们学习到的面部表示的分析。
Mar, 2021
该研究探讨了如何使用预训练 GAN 模型实现头部和面部重新实现，并使用 3D 形状模型帮助发现潜在空间中的方向，以达到身份解缠和跨人重现的目的。研究结果表明，与现有的最先进方法相比，该方法是一种高质量的方法。
Jan, 2022