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

提出了一种基于生成对抗网络 (GAN) 的框架，以在开放领域中保留身份的人脸合成中，区分脸部的身份和属性。它可以方便地重新组合不同身份和属性，以合成身份保持的面部。

Mar, 2018

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

提出了一种名为 'WSC-swap' 的新的面部交换框架，通过消除 skip connections 并利用两个目标编码器来分别捕获非脸部区域属性和脸部区域的语义非身份属性，并使用对抗训练中的身份移除损失和 3DMM 模型中的非身份保留损失来进一步加强目标编码器的解开交织性，并在 FaceForensics ++ 和 CelebA-HQ 上进行了广泛的实验。

Jul, 2023

使用逐渐增长的预训练 StyleGAN 的结构，提出一种新颖的人脸交换方法，通过分离身份和属性特征，并学习将这些特征映射到扩展潜空间，成功地实现了身份与属性的分离，并在质量和语义潜空间丰富性方面优于许多最先进的人脸交换方法，得到了广泛的实验证明。

Oct, 2023

通过引入高效有效的 Face-Adapter，我们旨在解决资源密集型的训练问题，从而实现预训练扩散模型的高精度和高保真度的人脸编辑，该模型在运动控制精度、ID 保留能力和生成质量方面具有可比甚至优越的表现。

May, 2024

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