基于生成对抗网络的解耦妆容迁移
计算机视觉与模式识别
2019-07-03 v1
摘要
面部妆容迁移是一项广泛应用的技术，旨在将参考人脸图像中的妆容风格迁移到素颜脸上。现有文献利用对抗损失使生成的人脸质量高且如真实人脸般逼真，但只能产生固定的输出。受解耦表示近期进展的启发，本文提出 DMT（解耦妆容迁移，Disentangled Makeup Transfer），一种统一的生成对抗网络 (GAN) 以实现不同场景下的妆容迁移。我们的模型包含一个身份编码器与一个妆容编码器，对任意人脸图像解耦个人身份与妆容风格。基于两个编码器的输出，采用一个解码器重建原始人脸。我们还应用一个判别器来区分真实人脸与伪造人脸。因此，我们的模型不仅可以将一个或多个参考人脸图像的妆容风格以可控强度迁移到素颜脸，还能从先验分布中采样风格产生多样输出。大量实验表明，我们的模型通过为不同妆容迁移场景生成高质量结果而优于现有文献。
引用
@article{arxiv.1907.01144,
title = {Disentangled Makeup Transfer with Generative Adversarial Network},
author = {Honglun Zhang and Wenqing Chen and Hao He and Yaohui Jin},
journal= {arXiv preprint arXiv:1907.01144},
year = {2019}
}