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

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

本研究提出了一种基于深度学习的面部交换生成对抗网络（FSGAN），用于面部交换和活体重放，包括一种新颖的迭代深度学习方法，可用于面部活体重放，采用重建三角形和重心坐标的方法连续插值，使用面部补全网络处理被遮挡的面部区域，最终采用一种新型泊松混合损失融合两张面孔并保持目标肤色和照明条件。

Feb, 2022

本文提出一种基于 GAN 模型的高分辨率人脸交换方法，通过显式地将潜在空间的语义进行分离，并通过引入基于地标的结构转换潜在方向来分离结构属性中的身份和姿态信息，进而获得丰富的生成特征。通过加入空间 - 时间约束，将这种方法进一步扩展到视频人脸交换，并在实验证明，该方法在幻觉质量和连续性方面优于现有方法。

Mar, 2022

本文提出了一种基于区域分隔生成对抗网络的自动生成和编辑人脸图像的综合系统，可以通过置换潜空间表示实现人脸的交换并在这个潜空间中进一步编辑面部特征或与随机生成的面部或头发部位组合。

Apr, 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

本文提出了一种基于 GAN 的脸部交换和演绎方法，其中采用了 RNN 和 Delaunay Triangulation 来进行脸部再现，并使用 Poisson blending loss 来实现融合。与现有技术相比，本方法在定性和定量方面均有更好的表现。

Aug, 2019

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

提供了一种细致的人脸操作方法，利用三维人脸模型和分离出质地和形状的方法进行纹理和形状不同表情的构建，进而通过生成网络和全连接网络实现表情的合成和准确形状的预测，获得了优越的结果，并被 85% 的用户优先选择，并且在 53% 的情况下，注释员无法可靠地区分合成的图像和真实图像的差别。

Feb, 2019