Face2Face:基于标签的面部修饰恢复
本文对当前合成图像生成和处理技术的发展进行了探讨,并提出了一个基于 DeepFakes,Face2Face,FaceSwap 和 NeuralTextures 的面部操作检测基准,包括超过 180 万个操纵图像的数据库,并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。
Jan, 2019
在这篇论文中,我们致力于解决野外人脸识别的挑战,其中图片常常存在质量低下和真实世界的扭曲。通过提出一种适用于基于高质量数据集上训练的现有人脸识别模型的有效适配器,我们旨在克服传统启发式方法在处理低质量图片时的无效性。
Dec, 2023
本文介绍了一个新的多族裔头像数据集,并提出了一种半监督自编码器方法,用于改善数字照片修饰检测的分类,结果表明,测试图像的族裔 demography 对修饰检测的准确性有很大的影响。
Sep, 2017
通过使用人脸修复潜在扩散模型先验,我们提出了一种名为对抗修复(AdvRestore)的新型对抗攻击方法,同时增强对抗人脸示例的视觉质量和可转移性。实验证明了我们提出的攻击方法的有效性。
Sep, 2023
本研究针对现有的面部修复技术的限制,提出了一种名为 Face Renovation(FR)的语义引导生成方法,并采用协同抑制补充(CSR)策略解决这个更具挑战性和实际问题,最终构建了多阶段嵌套 CSR 单元的 HiFaceGAN。实验证明,HiFaceGAN 在包含丰富背景干扰的真实图像中具有出色的修复性能,展示了其在面部图像处理中的多用途、稳健性和泛化能力。
May, 2020
本研究提出了一个大规模的精细化人脸修饰数据集 RetouchingFFHQ,其中包含超过 50 万幅条件化修饰的图像。通过包含四种典型的人脸修饰操作和不同的修饰水平,将二元人脸修饰检测扩展为多粒度、多修饰类型和多修饰水平的问题。此外,我们提出了一种多粒度注意力模块 (MAM) 作为 CNN 主干的插件,以增强跨尺度的表示学习。通过对 RetouchingFFHQ 数据集进行广泛的实验,包括使用不同基线方法和我们提出的方法,在人脸修饰检测方面展现了良好的性能。在提出的新数据集的基础上,我们相信未来有很大的潜力来解决现实世界中细粒度的人脸修饰检测问题。
Jul, 2023
本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像,并在 ND-IIITD 数据集上获得了 99.65%的准确度,对于区分真实图像和使用生成对抗网络(GANs)生成的图像的准确度达到了 99.83%。
Jan, 2019
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
本文提出了一种基于深度学习的人脸操作检测方法,包括特征提取和二进制分类两个阶段,并采用三元组损失函数来更好地区分真实面孔和伪造面孔,实验结果表明该方法的性能大多数情况下优于现有技术。
Sep, 2020
通过构建深度 FRR 模型,本研究针对面部修饰逆向问题提出了一种新颖的基于扩散的 FRR 方法(FRRffusion),通过两个阶段的网络生成低分辨率人脸的基本轮廓和高分辨率的面部细节,其在定量和定性评估中都表现出优越性能。
May, 2024