提出了一种高效的面部交换框架,称为 Simple Swap (SimSwap),具有泛化和高保真度。通过使用 ID Injection Module (IIM) 将源面的身份信息传输到目标面,并通过提出的 Weak Feature Matching Loss 实现对特征的匹配,以实现属性的保留。在野外面部图像上的广泛实验表明,我们的 SimSwap 能够实现与先前最先进方法相同的身份性能,同时更好地保留属性。
Jun, 2021
本研究为了解决面部交换过程中源属性泄露的问题,通过分析 StyleGAN 的潜在空间,设计出一种名为 RobustSwap 的面部交换模型,同时利用 3DMM 的内隐和显性信息辅助实现源图像结构和目标图像姿态的精确匹配,最终通过定量和定性的实验表明 RobustSwap 模型在生成高保真和时空连贯图像和视频的能力方面优于先前的面部交换模型。
Mar, 2023
本文描述了一种新颖的人脸交换网络,使用 transformer 网络来学习源脸部与目标脸部之间高质量的语义感知对应,实现在交换后的脸部图像中同时保留源身份和目标属性。
Apr, 2023
本文提出了一种基于语义流引导的两阶段框架 ——FlowFace 进行面部交换,FlowFace 可以成功传递源面部轮廓和内部面部特征到目标面部,从而获得更加逼真的面部交换效果。
Dec, 2022
使用卷积神经网络以及风格转移技术进行面部图像交换,通过新的损失函数得到高度逼真的结果并结合预处理和后处理步骤,目标是实现实时面部交换且无需用户手动干预。
Nov, 2016
本文提出了一种基于 FlowFace++ 的面部交换框架,利用明确的语义流监督和端到端架构来促进具有形状感知的人脸交换,并在野外人脸数据集上表现出色。
Jun, 2023
本研究提出一种可靠的 face swapping 框架,使用 cycle triplets 作为图像级别的指导,并通过 FixerNet 增强下半脸区域的表征,从而提高面部交换网络的性能和身份保留能力。
本研究提出了 BlendFace,一种用于换脸的新型身份编码器,通过在混合图像上训练面部识别模型并引导生成器,解决了现有方法中存在的身份 - 属性纠缠问题。大量实验证明 BlendFace 在换脸模型中提高了身份与属性的分离效果,并且在定量性能上与之前的方法相当。
Jul, 2023
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
本文介绍了一种基于深度生成模型的图像人脸交换技术,使用神经网络代替面部纹理,应用于只需提供两张面部图像的交换中,能够更好地处理不同面孔朝向和光照条件的情况,并在多个实验中证明了该方法优于现有方法。
Nov, 2018