通过可靠的监督提升通用人脸交换的可靠性
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
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
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
本研究提出了一种名为 FaceShifter 的新型两阶段框架,用于高保真度和遮挡感知的人脸换脸。该框架通过完全自适应地利用和整合目标属性,在第一阶段生成高清晰度的换脸图像,其创新点在于引入目标属性编码器和自适应关注规范化层生成器。为了解决复杂的面部遮挡问题,我们还增加了由 Heuristic Error Acknowledging Refinement Network (HEAR-Net) 组成的第二阶段。大量实验表明,我们的技术不仅在感知上更好,而且还有更好的身份保护能力。
Dec, 2019
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
本研究提出了一种利用凝视识别辅助脸部交换模型训练的新型损失函数,以改善脸部交换过程中的目光朝向问题,实现更自然、逼真的图片生成。结果发现,该方法在改善凝视问题方面表现明显优于现有技术。
May, 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全卷积网络的人脸分割方法以及利用该方法进行的高效准确的人脸替换技术,并使用 “Labeled Faces in the Wild” 数据集进行了测试,证明了该方法的有效性。
Apr, 2017