Sep, 2023

面部编辑的语义潜变分与标准流

PDF
TL;DR本论文提出了一种新颖的框架 SDFlow，通过在原始潜空的基础上使用连续条件归一化流实现了语义分解，以解决面部编辑中由于潜空中不同属性之间的纠缠而导致的复杂导航问题，并通过相互信息框架下的解缠学习策略提供精确的操作控制，实验证明 SDFlow 在定性和定量两方面均优于现有最先进的面部编辑方法。
stylegansdflowlatent spaceface editingdisentangled learning
发现论文，激发创造
  • StyleFlow：基于属性条件的条件连续正则化流的 StyleGAN 生成图像探索

    通过在 GAN 的 latent space 中引入条件属性特征，作者提出了 StyleFlow 来实现运用属性控制生成样本和实现编辑的两个子问题， 并在实际应用中验证了 StyleFlow 的有效性和优越性。

    Aug, 2020

  • 使用归一化流进行半监督学习

    FlowGMM 是一种基于正则化流的端到端方法，用于生成半监督学习，具有可解释性，适用于广泛的数据类型，包括文本数据、表格数据和半监督图像分类，并能够发现可解释的结构、提供实时的无优化特征可视化等。

    Dec, 2019

  • 基于神经 ODE 的潜在变换应用于 GAN 图像编辑

    本文研究在生成模型中，利用非线性的神经 ODE 来处理非纹理变化因素，挖掘潜在编码空间中的更多属性，并对大量具有已知属性的数据集进行实证研究。

    Nov, 2021

  • StyleFlow：基于归一化流的潜在表征分离方法用于无监督文本风格转换

    本文提出了一种基于分离表示的风格迁移模型 StyleFlow，通过设计注意力耦合层和基于归一化流的数据增强方法来实现通过风格转移实现保留内容。实验结果表明，该模型在大多数度量标准上达到了最先进的性能水平。

    Dec, 2022

  • 基于 GAN 的潜空间在人脸语义编辑中的应用解释

    本文提出了一个名为 InterFaceGAN 的新框架，用于解释 GAN 学习到的语义面部编辑，并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现，精心训练的生成模型的潜在编码实际上学习了一个分离的表示，在线性变换后解旋，通过子空间投影来解开某些绑定属性，实现更精确的面部特征控制，并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。

    Jul, 2019

  • 图像压缩的多尺度增强归一化流

    本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

    May, 2023

  • 基于潜在语义解缠的高分辨率人脸交换

    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

  • 面部图像和视频的解缩聚变换器

    本研究提出通过 StyleGAN 生成器的潜在空间编辑面部属性，通过训练专门的潜在空间转换网络并在损失函数中添加显式的分离和身份保存项来控制和保护身份，并介绍了一个将面部编辑推广到视频的流程。在真实图像和视频方面表现出出色的性能。

    Jun, 2021

  • SD-GAN: 面部图像合成的语义分解与离散属性

    本文提出了一种名为 SD-GAN 的创新框架，应用于处理具有挑战性的面部离散属性合成，利用语义分解将离散属性表示明确地分解为两个组件，并利用 3D 感知语义融合网络来获得偏移潜在表示，从而实现了精确合成具有离散属性的逼真人脸图像，构建了一个大型和有价值的数据集 MEGN 用于完成现有数据集中离散属性的不足，定量和定性实验证明了 SD-GAN 的先进性能。

    Jul, 2022

  • 半条件正则流用于半监督学习

    该研究论文提出了一个半有条件的标准流模型，用于半监督学习，使用带标签和未标签数据来学习物体和标签的联合分布的显式模型，模型的条件部分基于提出的条件耦合层，在 MNIST 数据集上，该模型在半监督分类问题上的表现优于基于变分自动编码器的基准方法。

    May, 2019