Nov, 2023

视频面部年龄转换：朝着时间一致的面部年龄转换

PDF
TL;DR视频脸部年龄回溯通过改变人物在视频中的视觉年龄来完成，本文提出了一个新的用于验证视频脸部年龄回溯效果的基线架构，并开发了三个专门用于评估视频脸部年龄回溯技术的时序一致性的新度量指标。综合实验证明，我们的方法在年龄转换和时序一致性方面均优于现有方法。
video face re-agingtemporal consistencyage transformationvideo datasetmetrics
发现论文，激发创造
  • 通过深度强化学习自动实现视频中的人脸老化

    使用深度强化学习方法，该论文提出了一种新颖的自动合成视频序列中年龄递进的面部图像的方法，它能够将给定对象的面部结构和纵向面部衰老过程相互连贯地建模，并使用深度卷积神经网络中的深层特征提取进行优化，是其它先前面部衰老方法无法比拟的解决方案。

    Nov, 2018

  • 时光缝合：基于 GAN 的真实视频面部编辑

    本文提出了一种基于对生成对抗网络的理解和神经网络学习低频功能的能力，使用 StyleGAN 对视频中的面部进行语义编辑，提高了当前最先进技术水平，实现了有意义的面部操作，保持了更高程度的时间连贯性，并可应用于高质量的 Talking Head 视频中。

    Jan, 2022

  • 高分辨率人脸年龄编辑

    本研究旨在通过采用编码器 - 解码器架构进行人脸年龄编辑，创造一个包含面部身份的潜在空间和与个体年龄对应的特征调制层，以在单个统一模型中实现高分辨率图像上的连续年龄编辑。

    May, 2020

  • 深度视频肖像

    该研究提出了一种新方法，可以通过输入视频实现人像视频的逼真的重新动画制作，在此过程中将源演员的全面影响转移到目标演员的画像上。

    May, 2018

  • 人脸年龄合成：评估、分析与促进年龄鲁棒的人脸识别算法

    通过使用合成的老化数据和真实的老化数据来进行深度学习的人脸识别算法训练和验证，实验结果表明，在年龄差异为 40 岁的图像上进行测试时，与基准模型相比，使用合成老化图像训练的模型的识别率提高了 3.33％，从而证明了合成年龄数据对增强年龄不变的人脸识别系统性能的潜力。

    Jun, 2024

  • 基于条件生成对抗网络的人脸老化

    本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

    Feb, 2017

  • 扩散视频自编码器：通过分离视频编码实现时态一致的人脸视频编辑

    本文提出了一种基于扩散自编码器的全新的人脸视频编辑框架，该框架能够成功地从给定的视频中提取分解特征 - 首次作为人脸视频编辑模型 - 并且允许我们通过简单地操纵时间不变的特征来实现视频编辑，以解决在编辑帧之间的时间一致性等问题。该模型还具有重建和编辑能力，能够处理野外人脸视频中的极端情况，例如遮挡的人脸。

    Dec, 2022

  • Head2Head++: 深度人脸属性再定向

    利用 3D 几何和生成对抗网络设计了一种新的深度学习架构，用于实现面部和头部再现任务，通过全新的序列生成器和动态判别器网络，可以以几乎实时的速度（18 fps）以逼真和忠实的方式成功转移来自源视频的面部表情、头部姿态和眼神到目标主体中。

    Jun, 2020

  • Face2Face: 实时 RGB 视频人脸捕获和再现

    Face2Face 是一种用于实时面部复刻的创新方法，可以通过非刚性基于模型的束缚，跟踪面部表情，实现来自单眼录制的目标视频序列的面部表情的动画化，并以逼真的方式重新渲染操作后的输出视频。

    Jul, 2020

  • 基于扩散编辑的人脸老化

    本文提出了一种名为 FADING 的基于扩散编辑的面部老化方法，通过利用大规模语言 - 图像扩散模型的丰富先验信息，通过特定的预训练扩散模型和年龄感知微调策略，将输入图像逆向编码到潜在噪声并获得优化的空文本嵌入，最后通过注意力控制进行基于文本的局部年龄编辑，定量和定性分析表明，该方法在老化准确性、属性保护和老化质量方面优于现有方法。

    Sep, 2023