CooGAN：一种用于高分辨率人脸属性编辑的省内存框架
计算机视觉与模式识别
2020-11-04 v1
摘要
与耗费内存的低分辨率人脸编辑方法的巨大成功相比，在极低内存下处理高分辨率（HR）人脸图像（即通常大于 7682 像素）仍具挑战性。这源于：1）难以承受的巨大内存需求；2）低效的多尺度特征融合。为解决这些问题，我们提出一种称为协作 GAN（CooGAN）的新型像素翻译框架用于 HR 人脸图像编辑。该框架包含一条用于细粒度局部人脸块生成的局部路径（即块级 HR、低内存）和一条用于全局低分辨率（LR）人脸结构监控的全局路径（即图像级 LR、低内存），大幅降低了内存需求。两条路径在局部到全局一致性目标下协作（即用于平滑拼接）。此外，我们提出一种更轻量的选择性迁移单元以实现更高效的多尺度特征融合，从而获得更高保真度的人脸属性操控。在 CelebAHQ 上的大量实验充分展示了所提框架的内存高效性与高图像生成质量。
引用
@article{arxiv.2011.01563,
title = {CooGAN: A Memory-Efficient Framework for High-Resolution Facial Attribute Editing},
author = {Xuanhong Chen and Bingbing Ni and Naiyuan Liu and Ziang Liu and Yiliu Jiang and Loc Truong and Qi Tian},
journal= {arXiv preprint arXiv:2011.01563},
year = {2020}
}