- RobustSwap: 一种简单而健壮的人脸交换模型，能对属性泄露进行防护
本研究为了解决面部交换过程中源属性泄露的问题，通过分析 StyleGAN 的潜在空间，设计出一种名为 RobustSwap 的面部交换模型，同时利用 3DMM 的内隐和显性信息辅助实现源图像结构和目标图像姿态的精确匹配，最终通过定量和定性的 - 自适应潜在表示学习下的端到端人脸交换
本文提出了一种基于 StyleGAN 的自适应潜在表示学习的高分辨率人脸交换框架，通过多任务双空间人脸编码器和自适应潜在编码交换模块来实现面部感知和融合，从而提高人脸交换的真实性和广泛适用性，并证明了该方法优于现有的最先进方法。
- FlowFace：基于语义流指导和形状感知的人脸交换
本文提出了一种基于语义流引导的两阶段框架 ——FlowFace 进行面部交换，FlowFace 可以成功传递源面部轮廓和内部面部特征到目标面部，从而获得更加逼真的面部交换效果。
- CVPR局部 GAN 反演实现精细面部交换
本研究提出了一种基于 ' 编辑以交换 ' 范式的人脸真实交换框架，通过局部和全局交换面部特征和用户指定的部分交换控制，实现了面部几何和纹理细节的高保真性保留，同时应用了多项技术包括分离面部构件的纹理和形状信息、利用区域 GAN 反演的联合编 - 人脸交换作为一种简单的算术操作
该研究提出了一种名为‘算术脸替换’的新型高保真脸部交换方法，通过明确把预训练的 StyleGAN 的中间潜空间 W + 进行‘身份’和‘风格’子空间的解离，将人脸替换视为 W + 中的简单算术运算。作者通过学习一个神经网络将潜向量映射到‘风 - ECCVStyleSwap：基于风格的生成器增强了面部交换的鲁棒性
本文提出了一种名为 StyleSwap 的简洁而有效的框架，将基于风格的生成器用于高保真和强大的人脸交换，可通过优化标识相似性来实现生成器的优势，并提出了 Swapping-Driven Mask Branch 和 Swapping-Gui - Facke：人脸交换生成模型综述
本研究旨在探究主流神经生成模型在人脸交换任务中的性能，我们对 CVAE、CGAN、CVAE-GAN 和条件扩散模型进行了实验比较并分析了它们的优缺点，同时提出了一些有前途的技巧尽管它们不适用于这个任务。
- 实用数字伪装：利用脸部替换技术保护患者隐私
本文提出了一种新颖的端到端人脸交换流水线用于评估面孔交换方法在隐私保护方面的效益和使用效用之间的平衡以及与基线隐私方法的差异，研究表明当前基于深度网络人脸交换受到现实世界视频中面部检测的瓶颈限制，文章针对标准儿童自闭症症状评估记录视频进行研 - CVPR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 - 区域感知人脸交换
本文提出了一种新颖的区域感知脸部交换（RAFSwap）网络，以局部 - 全局方式实现一致性、和谐性和高分辨率的面部生成。
- AAAIMobileFaceSwap: 一个用于视频人脸交换的轻量级框架
提出了一种轻量级的 IDN 人脸交换模型，可用于移动设备上的实时应用，采用动态调整的方法设计了高效的身份注入模块和知识蒸馏方法。在参数量和计算量上得到了大幅优化，可用于任意目标图片和视频的面部交换，并取得了与其他先进方法相当的效果。
- IJCAIHifiFace：3D 形状和语义先验引导的高保真人脸交换
本文提出了一种高保真人脸交换方法，称为 HifiFace，它可以很好地保留源脸部的脸型并生成逼真的结果。该方法采用 3D 形状感知身份来控制面部形状，并使用网络优化融合技术，使生成结果更逼真。大量的面部实验表明，我们的方法能够保持更好的身份 - MMSimSwap：一种高保真人脸交换的高效框架
提出了一种高效的面部交换框架，称为 Simple Swap (SimSwap)，具有泛化和高保真度。通过使用 ID Injection Module (IIM) 将源面的身份信息传输到目标面，并通过提出的 Weak Feature Matc - 百万像素下的一键换脸技术
本文提出了首个 Megapixel 级的一键式人脸换脸方法（MegaFS）， 通过分层表示人脸编码器 (HieRFE) 及面部转移模块 (FTM) 来体现更多的面部细节， 同时利用 StyleGAN2 进行合成。此方法具有完整的面部表示、稳 - AAAIFaceController: 野外人脸可控属性编辑
本文提出了一种基于前馈神经网络的人脸属性编辑方法，该方法可控制，转移和编辑野外人脸的多样属性，允许应用于人脸交换，光照转移和化妆品转移等多种应用。
- 深度假象检测挑战赛数据集 (DFDC)
本文介绍了构建深度伪造检测模型的关键 - 构建大规模的人脸置换视频数据集和 Deepfakes 检测挑战。
- CVPRFaceShifter：高保真度且遮挡感知的人脸交换
本研究提出了一种名为 FaceShifter 的新型两阶段框架，用于高保真度和遮挡感知的人脸换脸。该框架通过完全自适应地利用和整合目标属性，在第一阶段生成高清晰度的换脸图像，其创新点在于引入目标属性编码器和自适应关注规范化层生成器。为了解决 - FSNet: 基于身份认知的图像人脸交换生成模型
本文介绍了一种基于深度生成模型的图像人脸交换技术，使用神经网络代替面部纹理，应用于只需提供两张面部图像的交换中，能够更好地处理不同面孔朝向和光照条件的情况，并在多个实验中证明了该方法优于现有方法。
- RSGAN：在潜空间中使用面部和头发表示进行面部交换和编辑
本文提出了一种基于区域分隔生成对抗网络的自动生成和编辑人脸图像的综合系统，可以通过置换潜空间表示实现人脸的交换并在这个潜空间中进一步编辑面部特征或与随机生成的面部或头发部位组合。
- 人脸分割、人脸交换和人脸感知
本文介绍了一种基于全卷积网络的人脸分割方法以及利用该方法进行的高效准确的人脸替换技术，并使用 “Labeled Faces in the Wild” 数据集进行了测试，证明了该方法的有效性。