基于实例感知潜空间搜索的解耦人脸属性编辑
计算机视觉与模式识别
2021-05-28 v2
摘要
近期研究表明，生成对抗网络（GANs）的潜空间中存在丰富的语义方向，可实现多种人脸属性编辑应用。然而，现有方法可能存在属性变化解耦不佳的问题，导致在修改目标属性时其他属性发生不期望的改变。现有方法使用的语义方向处于属性层级，难以建模复杂的属性关联，尤其在GAN训练集中存在属性分布偏置时。本文提出一种新框架（IALS），通过实例感知潜空间搜索（Instance-Aware Latent-Space Search）寻找用于解耦属性编辑的语义方向。利用一组在输入图像上评估的属性分类器的监督信息注入实例信息。我们进一步提出解耦-变换（DT）度量来量化属性变换与解耦效能，并据此找到属性层级与实例特定方向之间的最优控制因子。在GAN生成图像与真实世界图像上的实验结果共同表明，我们的方法大幅优于近期提出的最先进方法。代码见https://github.com/yxuhan/IALS。
引用
@article{arxiv.2105.12660,
title = {Disentangled Face Attribute Editing via Instance-Aware Latent Space Search},
author = {Yuxuan Han and Jiaolong Yang and Ying Fu},
journal= {arXiv preprint arXiv:2105.12660},
year = {2021}
}
备注
Accepted by IJCAI-2021