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

本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

Dec, 2018

本文提出了一种名为 StyleSwap 的简洁而有效的框架，将基于风格的生成器用于高保真和强大的人脸交换，可通过优化标识相似性来实现生成器的优势，并提出了 Swapping-Driven Mask Branch 和 Swapping-Guided ID Inversion 策略来进一步改进信息混合，实验证明本框架可产生高质量的人脸交换结果，优于现有最先进方法。

Sep, 2022

我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

May, 2018

该论文提出一种新型的图像混合方法，基于 GAN 反演原理，利用一个 better latent 空间，通过新的 GAN 嵌入算法与通用分割掩模配合使用，借助它将多个参考图像的视觉特性融合成一张逼真、更有连贯性、更具有细节保留能力的图像。

Jun, 2021

本文提出了一种名为 Gated GAN 的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。

Apr, 2019

本文提出了一种新的深度学习网络 S3-GAN，可以同时实现特定类别物体照片的风格分离和风格合成。该网络结构包括编码器网络、生成器网络和对抗网络，基于前提假设物体照片在流形上，内容和风格是相互独立的，并通过编码器网络实现风格分离，生成器网络实现风格合成，对抗网络生成更加逼真的图像。实验表明，S3-GAN 可以在单个模型中同时捕捉各种风格，具备一定的风格分离和合成能力。

Nov, 2018

本文提出了一种基于 StyleGAN 的自适应潜在表示学习的高分辨率人脸交换框架，通过多任务双空间人脸编码器和自适应潜在编码交换模块来实现面部感知和融合，从而提高人脸交换的真实性和广泛适用性，并证明了该方法优于现有的最先进方法。

Mar, 2023

该研究提出了一个基于 GAN 的新框架，可以将肖像照片转换为动漫外观的高质量图像，同时保留源图像的整体结构，该框架采用了双分支鉴别器来学习具体领域分布和领域共享分布，有助于生成具有视觉吸引力的动漫图像。

Feb, 2021

本文提出了一种适应性框架，它能够使 3D-GAN 在艺术数据上训练，同时保持多视角的一致性和良好的纹理质量，通过优化方法对摄像机参数进行分布对齐，提出了纹理常规化技术，同时避免退化几何解，并展示了一种变形技术，使艺术领域的几何形态更加夸张，可以个性化的进行几何编辑，最终实现了在艺术数据集上生成、编辑和动画化个性化的 3D 角色。

Jan, 2023