BlendFace：为换脸任务重新设计身份编码器
计算机视觉与模式识别
2023-07-21 v1
摘要
计算机视觉中生成对抗网络与人脸识别模型的巨大进展，使得从单源图像上交换身份成为可能。尽管许多研究似乎已提出近乎满意的方案，我们注意到先前方法仍受困于身份-属性纠缠，导致不期望的属性交换，因为广泛使用的身份编码器（如 ArcFace）由于在人脸识别任务上的预训练而带有一些关键属性偏置。为解决此问题，我们设计了 BlendFace，一种用于换脸的新型身份编码器。BlendFace 背后的核心思想是在混合图像上训练人脸识别模型，其属性被另一人的属性替换，从而减轻诸如发型等人际偏置。BlendFace 将解纠缠的身份特征输入生成器，并作为一个身份损失函数恰当地引导生成器。大量实验表明，BlendFace 改善了换脸模型中的身份-属性解纠缠，同时保持了与先前方法可比的量化性能。
引用
@article{arxiv.2307.10854,
title = {BlendFace: Re-designing Identity Encoders for Face-Swapping},
author = {Kaede Shiohara and Xingchao Yang and Takafumi Taketomi},
journal= {arXiv preprint arXiv:2307.10854},
year = {2023}
}
备注
ICCV2023. Code: https://github.com/mapooon/BlendFace, Webpage: https://mapooon.github.io/BlendFacePage/