AniGAN：用于无监督动漫人脸生成的风格引导生成对抗网络
计算机视觉与模式识别
2021-03-30 v2 人工智能
摘要
在本文中，我们提出了一个将肖像照片人脸转换为动漫外观的新框架。我们的目标是合成与给定参考动漫人脸风格一致的动漫人脸。然而，与典型的翻译任务不同，这种动漫人脸翻译由于动漫人脸之间外观的复杂变化而具有挑战性。现有方法常常无法迁移参考动漫人脸的风格，或在其生成人脸的局部形状中引入明显的伪影/畸变。我们提出 AniGAN，一种基于 GAN 的新型翻译器，可合成高质量动漫人脸。具体而言，提出了一种新的生成器架构，基于参考动漫人脸的风格同时迁移颜色/纹理风格并将局部面部形状变换为类动漫对应部分，同时保留源照片人脸的全局结构。我们提出双分支判别器以同时学习域特定分布和域共享分布，帮助生成视觉上令人愉悦的动漫人脸并有效缓解伪影。在 selfie2anime 和一个新的 face2anime 数据集上的大量实验从定性和定量上证明了我们的方法相对于最先进方法的优越性。新数据集可在 https://github.com/bing-li-ai/AniGAN 获取。
引用
@article{arxiv.2102.12593,
title = {AniGAN: Style-Guided Generative Adversarial Networks for Unsupervised Anime Face Generation},
author = {Bing Li and Yuanlue Zhu and Yitong Wang and Chia-Wen Lin and Bernard Ghanem and Linlin Shen},
journal= {arXiv preprint arXiv:2102.12593},
year = {2021}
}