PPR10K:一个具备人物区域掩码和组级别一致性的大规模肖像照片修复数据集
本文介绍了使用众包平台创建大规模、干净的图像分割数据集的流程,并在 EasyPortrait 数据集上训练多个模型并展示实验结果,EasyPortrait 包含了 20000 张主要的室内照片,分成 9 类,并可用于皮肤增强和牙齿美白等任务。
Apr, 2023
本研究提出了一个大规模的精细化人脸修饰数据集 RetouchingFFHQ,其中包含超过 50 万幅条件化修饰的图像。通过包含四种典型的人脸修饰操作和不同的修饰水平,将二元人脸修饰检测扩展为多粒度、多修饰类型和多修饰水平的问题。此外,我们提出了一种多粒度注意力模块 (MAM) 作为 CNN 主干的插件,以增强跨尺度的表示学习。通过对 RetouchingFFHQ 数据集进行广泛的实验,包括使用不同基线方法和我们提出的方法,在人脸修饰检测方面展现了良好的性能。在提出的新数据集的基础上,我们相信未来有很大的潜力来解决现实世界中细粒度的人脸修饰检测问题。
Jul, 2023
本文提出一种基于深度学习的面部照片交互修饰框架,旨在提高用户界别优先级,包括自动分支和交互分支,后者通过将用户指定区域编码进优先级条件向量和调制地潜在特征来进一步强调用户指定区域,实验证明该方法能够有效地捕捉用户意图且比现有方法更具区域感知性和灵活性。
Apr, 2023
本文提出了 P3M-10k,它是第一个大规模的匿名化基准,用于隐私保护的人像抠图。P3M-Net 在此基础上提出了一种更好的人像抠图模型,并在 P3M-10k 上进行了广泛的实验,结果表明,P3M-Net 在客观指标和主观视觉质量方面都优于现有方法,并且具有良好的泛化能力。
Apr, 2021
本文提出了一个隐私保护的肖像抠图 (P3M) 标准数据集,采用高分辨率的面部模糊肖像图像以及高质量的阿尔法抠图来评估现有的抠图方法。针对训练集仅用面部模糊图像而测试集包含任意图像的情况,本文使用 P3M-Net 模型和剪切图法提高了抠图模型的泛化能力。同时,使用复杂 Copy and Paste 策略,利用公共名人图像提供面部信息增加了肖像抠图模型的泛化能力。
Mar, 2022
本文提出了一种数据扰动的方法,通过提取少量含有身份相关信息的面部区域进行像素洗牌和模糊处理来解决 Remote Photoplethysmography 数据的隐私问题,实验表明该方法可将面部识别算法的准确性降低 60%,而对 rPPG 提取几乎不产生影响,可作为一种有效的隐私保护方案。
Jun, 2023
本研究提出了一种肖像重制方法,使用户能够轻松编辑其肖像以获得所需的姿势 / 视图、身体比例和服装样式,其中图形布局映射和语义感知外观转换被设计用于解决人体非刚性变形和语义感知编辑问题。
Jun, 2020
本文提出了一种利用远程光电容积图术(rPPG)任务中的显性和隐性先验知识的新框架,通过系统分析不同领域的噪声源,并将这些先验知识纳入网络进行训练,同时利用两个分支网络通过隐式标签相关性去除噪声并提取生理特征分布,我们的实验证明,该方法不仅在 RGB 跨数据集评估上胜过现有方法,而且能够很好地从 RGB 数据集泛化到 NIR 数据集。
Mar, 2024
本研究分析了目前为止最大的真实世界远程光电容抗数据集,涵盖了 893 名受试者和 6 种菲茨帕特里克皮肤色调,实验结果表明,包含数百名受试者的数据集足以进行有效的远程光电容抗模型训练,并强调了皮肤色调的多样性和一致性对于不同数据集的精确性能评估的重要性。
Apr, 2024
通过利用 StyleGAN 的生成和概括能力改善输入肖像图像的肤色状况,同时保留其面部细节,我们提出了一种新颖的自动肖像图像修饰框架 StyleRetoucher。与现有替代方案相比,我们方法表现出更好的泛化能力,在肖像图像修饰任务中具有优越的性能。
Dec, 2023