基于属性分解GAN的可控人体图像合成
计算机视觉与模式识别
2020-07-21 v4
摘要
本文介绍了属性分解GAN（Attribute-Decomposed GAN），一种用于可控人体图像合成的新颖生成模型，它可根据各种源输入中提供的人体属性（如姿态、头部、上衣和裤子）生成逼真的人体图像。所提模型的核心思想是将人体属性作为独立编码嵌入潜在空间，从而通过在显式风格表征中进行混合与插值操作，实现灵活且连续的属性控制。具体而言，我们提出了一种由两条编码通路及风格块连接组成的新架构，将原本困难的映射分解为多个更易处理的子任务。在源通路中，我们进一步利用现成的人体解析器提取部件布局，并将其送入共享的全局纹理编码器以获得分解的潜在编码。该策略可合成更逼真的输出图像，并自动分离未标注的属性。实验结果证明了所提方法在姿态迁移上优于当前最优（SOTA）方法，以及其在全新任务——部件属性迁移中的有效性。
引用
@article{arxiv.2003.12267,
title = {Controllable Person Image Synthesis with Attribute-Decomposed GAN},
author = {Yifang Men and Yiming Mao and Yuning Jiang and Wei-Ying Ma and Zhouhui Lian},
journal= {arXiv preprint arXiv:2003.12267},
year = {2020}
}
备注
Accepted by CVPR 2020 (Oral). Project Page: https://menyifang.github.io/projects/ADGAN/ADGAN.html