差分生成对抗网络：在有限训练数据下合成非线性面部变化
计算机视觉与模式识别
2018-01-01 v4
摘要
在具有公开可用数据集的面部相关应用中，通过生成模型合成非线性面部变化（如面部表情、头部姿态、光照等）有助于解决训练数据缺乏的问题。然而在现实中，即便用于训练人脸合成生成模型的数据也不足。本文提出差分生成对抗网络（D-GAN），即使在训练数据较少时也能进行照片级真实感的人脸合成。设计了两个判别器以确保生成器逼近人脸流形，从而能够按需表达人脸变化。实验结果表明，所提方法对训练数据量具有鲁棒性，且合成图像有助于提升面部表情分类器的性能。
引用
@article{arxiv.1711.10267,
title = {Differential Generative Adversarial Networks: Synthesizing Non-linear Facial Variations with Limited Number of Training Data},
author = {Geonmo Gu and Seong Tae Kim and Kihyun Kim and Wissam J. Baddar and Yong Man Ro},
journal= {arXiv preprint arXiv:1711.10267},
year = {2018}
}
备注
20 pages