- ONOT:一个高质量的符合 ICAO 标准的合成头像数据集
现在,最先进的基于人工智能的生成模型是解决收集个人信息(例如面部)数据集中的隐私问题和偏见的可行解决方案。本文介绍了 ONOT,一种专门用于生成符合国际民航组织(ICAO)指南规定的面部图像的高质量合成数据集,具有严格控制和多样性的照片图像 - AAAI潜空间应用于人脸图像局部风格操作的 Latents2Semantics
利用 Latents2Semantics 自编码器模型实现人脸图像中具有高度局部化编辑风格属性的 ROI 的结构保持风格编辑,并避免了传统风格编辑流程中需要额外的人为监督的问题。
- 融合深度和浅层特征用于人脸亲属关系验证
本文通过 Multiscale Retinex 技术提升图像质量,并结合深度和浅层纹理描述符通过逻辑回归方法在得分级别上进行联合,实现了面部图像的亲属关系验证。作者通过对 Cornell Kin Face、UB Kin Face 和 TS - DeepFidelity:深伪造:感知伪造保真度评估用于深度假脸检测
DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构,能够自适应地区分具有不同图像质量的真实和伪造人脸图像,并在多个基准数据集上展现出优势。
- 基于面部驱动的零射声音转换与基于记忆的面音对齐
一个基于面部图像的零样本语音转换任务中,提出了一种新颖的零样本面部语音转换方法,通过使用面部 - 语音对齐模块和混合监督策略来实现从一个源说话者到一个目标说话者的语音特征转换,并引入预训练的零样本语音转换模型,通过大量实验证明了该方法在零样 - 通过对比学习进行面部图像的年龄预测
提出了一种新的方法,可以通过对不同人的面部图像进行对比学习,准确地估计年龄,并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能,验证 - CVPR利用三维合成数据实现人像眼镜和阴影消除
本文提出了一种新的框架,以检测和去除肖像图像中眼镜及其产生的阴影,通过使用合成肖像数据集,并应用跨域技术,该方法为第一种同时去除眼镜和阴影的技术。
- 学习面部超分辨率的空间注意力
本篇论文介绍了一种基于 SPARNet 和 Face Attention Units(FAU)的空间注意力残差网络(SPARNet),能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明,该方法在多种度量标准 - 使用注意力卷积网络从人脸图像中预测年龄和性别
本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架,可以高精度地预测面部图像的性别和年龄组,并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位,同时,在多任务学习方面得到了不错的成果。
- ByeGlassesGAN: 面部图像中保留身份特征的眼镜去除
本文提出了一种名为 ByeGlassesGAN 的基于图像对图像的 GAN 框架,可自动检测眼镜位置并从人脸图像中去除眼镜,实验结果表明该方法在处理透明颜色眼镜或有光斑的眼镜时能够提供视觉上令人满意的去镜人脸图像,并且在人脸识别实验中应用该 - ECCV从面部图像学习解耦表情表示
本文使用对抗学习方法学习人脸图像的解缠表示,提高了在 AffectNet 数据集上表情识别任务的准确率。
- CVPR人脸生成的单次域适应
本文提出了一种框架,通过迭代优化和样式混合技术,生成与给定 one-shot 示例相同分布的人脸图像,可用于增强下游任务的训练数据,并在检测人脸操作方面表现出较高有效性,与其他少样本领域适应方法相比具有优越性。
- PrivacyNet: 多属性人脸隐私的半对抗网络
通过使用基于 GAN 的半对抗网络(PrivacyNet)的图像扰动方法,我们很好地实现了对输入面部图像进行软生物特征隐私的保护,在面部图像用于匹配目的时仍能够进行匹配,但无法可靠地被用于属性分类器。
- FlowSAN:隐私增强的半对抗网络以困惑任意基于面孔的性别分类器
本文介绍了半对抗网络(SAN)的应用,以加强面部图像软生物特征上的隐私保护。作者提出了一种新的方法 FlowSAN,以解决 SAN 在多个未见过的性别分类器中的泛化问题。该方法通过将不同的 SAN 模型组合在一起,以提升模型的泛化能力。作者 - ICCV语义对抗攻击:参数转换欺骗深度分类器
本文通过对参数条件生成模型的范围空间进行对抗性损失的优化,提出了一种新颖的方法来生成 “语义” 对抗性示例,并在面部图像上展示了其攻击的效果。
- Twin-GAN -- 权重共享的无配对跨领域图像翻译 GAN
本论文提出了一种框架,用于将一个领域的未标记图像转换为另一个领域的类似图像,并使用逐渐增长的跳跃连接编码器 - 生成器结构进行训练,其中应用了 GAN Loss、循环一致性 Loss 和语义一致性 Loss 来保持相同领域的翻译身份,并鼓励 - CVPR寻找你的相似脸:测量面部相似度而非面部身份
本文提出了新的面部相似度量化任务,区别于传统的面部识别,并介绍了针对该任务的新数据集与分类网络。
- 使用样本学习去模糊图像
本文提出了一种基于样本数据集的去模糊算法以及卷积神经网络恢复模糊图像中的清晰边缘进行去模糊处理,实验表明该算法对于人脸图像去模糊非常有效,并且可以用于其他物体类别。
- 一种用对抗神经张量方法学习分离表示的方法
本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素,其中多个潜在变化因素的乘法交互通过多线性(张量)结构明确地建模。该方法学习了面部表情和姿态的分离表示,可用于各种应用,包括面部编辑,以及三维面部重建和面部表情 - DeepDeblur: 快速一步模糊人脸图像复原
我们提出了一种快速有效的一步恢复模糊人脸图像的方法,该方法基于卷积神经网络,可以处理各种大小的人脸图像,加入了光滑正则化和面部正则化来保持面部身份信息,取得了最先进的效果和提高了 100 倍的运行速度,并在人脸识别精度上有显著提高。