本研究提出了一种基于卷积网络的方法，实现将人脸照片转化为面部素描，并添加判别性正则化项提高生成的人物素描的可辨识度，该方法在多项基准测试中表现优于其他当前最先进方法。

Jan, 2015

该论文利用深度神经网络将面部素描图像还原为照片级真实面部图像，采用半模拟数据集和深度学习技术，包括批处理规范化、深层残差学习、感知损失和随机优化。最后，通过艺术和犯罪学示例，展示了该方法的应用潜力。

Jun, 2016

本文提出了一种基于离线采样的示例化面部素描合成方法，以提高合成效率并减少计算复杂度。经过在公共面部素描数据库上进行广泛实验，证明该方法在合成质量和时间消耗方面优于现有方法。该方法可以扩展到其他异构面部图像转换问题，例如面部幻觉。

Jan, 2017

本文使用生成模型和对抗网络探索了将草图合成为图像和将图像转换为草图的问题，并提出了一种新的多对抗网络框架，称为Photo-Sketch Synthesis using Multi-Adversarial Networks (PS2-MAN)。通过采用CycleGAN框架，利用配对信息解决了耦合/配对翻译问题。实验结果表明，该框架在图像质量评估和图像匹配方面的性能优于现有的最先进解决方案。

Oct, 2017

本文提出一种新颖的基于素描的面部图像编辑系统，它利用了用户的少量素描笔画，有几何和颜色约束，支持粘贴模式和实时交互，并建立在基于新颖的素描领域和卷积神经网络之上，从而将图像完成和图像翻译两个任务结合在一起，十分成功。

Apr, 2018

本文提出了一种半监督深度学习架构，扩展了面部素描合成以处理现实中的面部照片，该方法使用小的参考照片集中的照片与输入照片进行补丁匹配，并使用相应的素描特征补丁组成伪素描特征表示来监督网络。通过该方法，我们可以使用参考照片集和大型面部照片数据集对网络进行训练，并取得公共基准测试和野外面部照片方面最先进的表现。

Dec, 2018

本文提出了一种“循环一致性损失”的算法，旨在克服对面对面合成领域输入外观的保留，使生成的图像质量更高，同时提出了一种新的网络架构，以实现“自由地基于 landmark 合成脸部”的任务。

Apr, 2020

该论文介绍了Sketch-Guided潜在扩散模型（SGLDM），它是一种基于LDM的网络架构，在配对的素描-面部数据集上进行训练，可以合成出不同表情，面部配饰和发型的高质量人脸图片。 SGLDM 通过使用Multi-Auto-Encoder和Stochastic Region Abstraction，能够有效地处理抽象度不同的草图输入，与现有的方法相比提高了鲁棒性。

Feb, 2023

本文介绍一种半监督方法，即带有噪声注入策略的Semi-Cycle-GAN (SCG)，用于解决面部照片素描翻译中的配对数据集小且缺乏多样性以及来自不匹配照片-素描数据集所带来的隐写学现象等问题。实验证明SCG在公共基准测试中具有竞争性的性能，并且在野外照片上表现出优越的结果。

Jul, 2023

本文针对人脸素描合成（FSS）中高质量素描生成的挑战，提出了一种轻量级的端到端合成模型，能够有效地将图像转换为多风格素描，解决了数据稀缺和风格种类受限的问题。研究表明，该方法通过半监督学习与特征提取模块的结合，显著提升了素描的质量和风格变换能力，从而在多个基准测试中优于现有算法。

Aug, 2024