MagGAN:带掩模的生成对抗网络高分辨率人脸属性编辑
本文提出了一种基于局部属性编辑的新方法 MaskFaceGAN,采用最先进的生成对抗网络(StyleGAN2)的潜在编码进行优化,通过不同 iable 的属性分类器和面部解析器执行多个约束条件,实现对人脸图像的局部面部属性进行编辑,达到了极高的图像质量,在 1024x1024 的高分辨率下进行编辑,而且相对于现有的竞争性解决方案,其属性交错问题更少。
Mar, 2021
本文提出了一种基于渐进式注意力 GAN 的人脸属性编辑方法,通过每个级别的注意力掩模约束在适当的属性区域内,从高到低的特征级别逐步进行编辑,以维护身份和背景等其他信息,并避免不必要的修改干扰,使该方法实现了正确的人脸属性编辑,并更好地保留了不相关的细节信息。
Jul, 2020
本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部,该方法可用于本地面部编辑、面部合成和交换,同时提供了数据增强的选项以加强面部分析的性能。
May, 2019
提出了一种名为 MaskGAN 的新框架,采用语义化掩模作为中间表示,实现多样化和交互式面部操纵,该框架在两个具有挑战性的任务上进行了综合评估:属性传输和样式复制,在实验证明了优于其他最先进的方法。
Jul, 2019
本研究旨在改变面部图像的一个或多个属性,并保持其他细节,使用生成敌对网络(GAN)和编码器 - 解码器架构来确保高质量的面部特征编辑。
Nov, 2017
本研究使用变分自动编码器 (VAE) 和生成式对抗网络 (GAN) 相结合的方法,设计了 M-AAE 算法,在保持面部细节的前提下修改图片特征,通过面部识别损失和循环一致性损失,以及生成面部口罩来强化 VAE 和 GAN 的训练目标,成功生成了高质量、保留细节的图像,并超越了现有方法。
Apr, 2018
本文中提出的基于属性标签限制的模型,可以通过在预定义的潜在特征空间中直接应用属性标签并使用属性分类损失,从图像中提取属性相关信息,以实现用于编辑多个属性的面部属性传输,同时通过设计新的模型结构来提高属性传输能力。在 CelebA 数据集上的实验结果表明,该方法有效地克服了其他方法存在的三个限制。
Dec, 2019
我们开发了 MAG-Edit,这是一种无需训练、推断阶段优化的方法,能够在复杂场景中进行局部图像编辑。MAG-Edit 通过最大化编辑标记的两个基于掩模的交叉注意力约束来优化扩散模型中的噪声潜在特征,逐渐增强与所需提示的局部对齐。大量的定量和定性实验证明了我们的方法在复杂场景中实现了文本对齐和结构保护的有效性。
Dec, 2023
本文提出了基于属性的条件生成对抗网络(CycleGAN)来生成高分辨率的面部图像,并可以通过输入属性轻松控制所生成的面部外貌。我们还演示了基于该模型的三种应用:身份保留的人脸超分辨率、人脸交换和正面人脸生成,这些应用表明了我们新方法的优势。
May, 2017
本文采用深度学习的方法,利用生成式对抗网络 (GANs) 在高分辨率下控制多种属性(如男性和微笑)来完成高分辨率下具有多种属性控制的面部图像。
Jan, 2018