本论文从估计和操作两个角度全面调查了深度面部属性分析。介绍了面部属性估计和操作的数据预处理和模型构建通用流程，并对常用的数据集和性能指标进行了介绍。此外，对最新的面部属性分析方法进行了分类和细节方面的审查，并提出了相关的面部属性应用问题和现实世界的应用。最后，讨论了可能的挑战和未来的研究方向。

Dec, 2018

本文提出了一种基于 Facial Attribute Transformer（FAT）和其空间变体 Spatial FAT 的高质量化妆转移方法，利用 Transformer 模型语义对源面部和参考面部之间的对应关系和相互作用进行建模，进而准确地估计和转移面部属性，同时通过集成 Thin Plate Splines（TPS），Spatial FAT 还可以转移几何属性，而且在颜色保真度和空间变换方面表现优异，经过严格的定性和定量实验验证了所提出方法的有效性和优越性。

Apr, 2021

本文提出了一种基于风格转移的语义对齐增强框架（SASA），以解决面部反欺诈系统（FAS）中 Few-Shot Domain Expansion 的问题，其中包括少量目标域训练样本以及大量源域训练样本。该框架通过基于真实感的风格转移生成辅助样本，并提出了设计良好的机制来实现两个域的实例级别和分布级别的对齐，并通过少遗忘的约束来稳定源域上的性能。实验结果表明，所提出的 SASA 方法优于现有的方法。

Jun, 2021

通过使用基于深度图和辅助语义分割掩模的 ControlNet 的无正则方法进行精细的局部属性编辑和基于自定义损失和正则化设置的基于正则方法进行粗糙的全局属性编辑，本研究对利用最新的生成模型改变的二十六种面部语义、人口统计和表情属性进行了实证消融，并在 CelebA、CelebAMaskHQ 和 LFW 数据集上使用 ArcFace 和 AdaFace 匹配器进行了评估，最终使用 LLaVA 验证了我们的编辑技术，方法在保留身份的情况下，在面部编辑方面优于现有技术（BLIP、InstantID）。

Mar, 2024

提出了一种基于属性特定的提示学习的高效、即插即用的三维感知人脸编辑框架，该框架利用可学习的样式令牌和样式映射器，通过预先训练的视觉语言模型在任何预先训练的三维感知生成对抗网络的潜在空间中找到以文本为导向的属性特定编辑方向，并将其转化为三维潜在空间。通过多个三维感知的身份和姿势保持损失，保证了视角一致性和身份保持。实验证明，该方法能够生成具有三维感知和视角一致性的高质量图像，同时保持属性特定的特征。

Jun, 2024

该研究提出了一种新颖的面部情感合成方法，使用情感状态描述符和中性图像生成逼真的面部表情。

Nov, 2018

本文提出使用 Semi-Latent Facial Attribute Space (SL-FAS) 和 SL-GAN 模型学习人脸图像生成和修改，通过实验验证了该模型的有效性，并提出迭代训练算法。

Apr, 2017

我们提出了一种新颖的方法 Semantic Facial Feature Control (SeFFeC) 用于细粒度人脸形状编辑，该方法能够操纵人类可理解的语义人脸特征，并且由不同组的面部标志定义，通过使用面部标志进行精确测量从而实现对 SeFFeC 进行无需手动注释的训练。SeFFeC 由基于 Transformer 的编码网络组成，接受预训练生成模型的潜在向量和面部特征嵌入作为输入，并学习修改潜在向量以执行期望的面部编辑操作。通过引入新颖的语义人脸特征损失，以确保将期望的特征测量改变为目标值，而不会改变不相关的特征。定性和定量实验结果表明，SeFFeC 能够对 23 个面部特征进行精确和细粒度的控制，其中一些特征以前无法通过其他方法进行控制，而无需手动注释。与现有方法不同，SeFFeC 还提供了对面部特征的确切值的确定性控制，以及更局部化和解耦的面部编辑。

Mar, 2024

该论文提出了一种名为 HifaFace 的简单而有效的方法，该方法从两个角度解决了通过循环一致性满足约束条件，隐藏原始图像信息以实现面部编辑的问题，并提出了一种新的属性回归损失来实现面部编辑的精细控制。

Mar, 2021

S3Editor 是一种基于稀疏语义分解自训练框架，旨在在人脸视频编辑中解决身份保留、编辑保真度和时间一致性等方面的挑战。

Apr, 2024