Nov, 2021

MOST-GAN: 用于解耦脸部图像操作的 3D 可塑造风格 GAN

PDF
TL;DRMOST-GAN 使用 3D 形态模型耦合现代化 2D 变形网络实现面部图像生成、控制和逼真操作。
generative adversarial networksface image synthesisphysical attributesdisentanglementphotorealistic manipulation
发现论文，激发创造
  • 将 2D StyleGAN 升级为 3D 感知人脸生成

    提出 LiftedGAN 框架，无需手动标注或 3DMM 模型的训练，通过可微分的渲染器分解 StyleGAN2 的潜在空间，生成 3D 组件，并输出 3D 形状和纹理，实现内容可控性，在生成逼真高质量图像方面表现出超越现有方法的优点。

    Nov, 2020

  • 3D-FM GAN: 面部三维可控制变化

    提出了一种新的 3D 可控脸部操作方法：3D-FM GAN，通过将输入脸部图像和 3D 编辑的真实渲染相结合，可以提供高质量、身份保留、3D 可控的脸部操作，相较于现有技术，具有更好的可编辑性、更强的身份保护和更高的照片逼真度。

    Aug, 2022

  • 通过 3D 模拟对比学习实现解耦和可控的人脸图像生成

    通过对抗性学习和比较对生成的图像进行区分，利用控制潜在变量的方式实现虚拟人脸图像的生成

    Apr, 2020

  • SofGAN：一种具有动态风格的肖像图像生成器

    提出了一种 SofGAN 图像生成器来将肖像的潜在空间分解为几何空间和纹理空间，在经过一系列实验后，展示了该系统可以生成具有对几何和纹理属性具有独立可控性的高质量肖像图像。

    Jul, 2020

  • 基于 3D GAN 的大姿态人脸识别改进

    研究使用生成的合成数据进行面部识别的训练。通过在 GAN 的产生器中引入 3D 可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。

    Dec, 2020

  • 可控肖像图像动画的 3D GAN 反向推导

    本文提出了一种基于新开发的三维生成对抗网络（GANs）的画像图像动画的技术，该技术允许对图像主体的姿态进行明确控制，并展示了该方法在图像质量，身份保护和姿态转移等方面胜过先前的方法，同时支持属性修改。

    Mar, 2022

  • StyleGAN 中的面孔身份感知解缠

    通过将 TypeIVBasicCard-B（T - 基本卡 - B）上的 TypeI 基本卡 - B（T - 基本卡 - B）与 TypeI 机读卡 - B（T - 机读卡 - B）及 TypeI 机读卡基础数据 - B（T - 基础数据机读卡 - B）结合设置在 TypeIV-B（T - 基本卡 - B）上，可按材料基础建立既定基本卡 - B（T - 既定基本卡 - B）；通过在 TypeIV-B（T - 基本卡 - B）上设置 TypeII 证件單位 - B（T - 证件單位 - B）及 TypeIII 办事处 - B（T - 办事处 - B），可在已有证件基本卡 - B（T - 证件基本卡 - B）填写办证所需信息后，通过已有证件基本卡 - B（T - 办证所需信息 B）向申请人提出开户要求，并通过设置 T - 证件基本卡 - B 展示及更新申请人概述 - B（T - 展示及更新申请人概述 - B）的一系列选定项 (B)，实现无法更新已有证件文件申请人开户要求。

    Sep, 2023

  • 使用 StyleGAN 和感知细化实现标准化头像合成

    提出了一种高度稳健的基于 GAN 的框架，可从单个非约束性照片中数字化人物的标准化 3D 头像，并通过采用高度稳健的标准化 3D 面部生成器以及感知细化步骤来生成高质量的标准化面部模型。

    Jun, 2021

  • MeshGAN：非线性三维可塑面部模型

    本文提出了一种名为 MeshGAN 的新型的生成对抗网络架构，该架构可以直接操作 3D 网格，成功应用于 3D 人脸表情生成。

    Mar, 2019

  • 生成对抗网络中的风格与内容分离

    该研究提出了一种新的无监督算法 ——Style and Content Disentangled GAN（SC-GAN），该算法可以让训练的生成敌对网络（GAN）以一种分离风格和内容的方式学习数据的表征。

    Nov, 2018