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

本文提出了一种新颖的区域感知脸部交换（RAFSwap）网络，以局部 - 全局方式实现一致性、和谐性和高分辨率的面部生成。

Mar, 2022

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

本文介绍了一种新的面部交换方法，称为 “编辑式交换”（E4S），通过精细的面部编辑实现。我们提出了区域 GAN 反演（RGI）方法，可以显式地解开形状和纹理的复杂性，并通过样式和掩码交换简化了面部交换。此外，我们还提出了一种重新着色网络来保持目标脸上的光照条件，并通过面部修复网络进行后处理。与最先进的方法进行了广泛比较，证明了我们的 E4S 在保持纹理、形状和光照方面的优越性。

Oct, 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

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

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 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

本文提出了首个 Megapixel 级的一键式人脸换脸方法（MegaFS）， 通过分层表示人脸编码器 (HieRFE) 及面部转移模块 (FTM) 来体现更多的面部细节， 同时利用 StyleGAN2 进行合成。此方法具有完整的面部表示、稳定的训练和有限的内存使用， 通过广泛的实验和在公共领域发布的第一个 Megapixel 级别的人脸交换数据库证明了其优越性，为 DeepFake 检测和人脸图像编辑研究做出了积极的贡献。

May, 2021