基于双编码器-解码器生成对抗网络的解耦人脸表征学习
计算机视觉与模式识别
2019-09-20 v1
摘要
为学习人脸图像的解耦表征，我们提出了一种基于双编码器-解码器的生成对抗网络（DED-GAN）。在所提方法中，生成器与判别器均以深度编码器-解码器架构作为主干设计。具体而言，编码器-解码器结构的生成器用于学习姿态解耦的人脸表征，而编码器-解码器结构的判别器负责执行真/假分类、人脸重建、身份判定与人脸姿态估计。我们进一步通过最小化在判别器输出处由Wasserstein距离定义的额外像素级损失来改进所提网络架构，从而使对抗框架能得到更好的训练。此外，不同于现有文献将人脸姿态变化视为离散的，我们将其视为连续的，以向模型中注入更丰富的姿态信息。姿态估计任务被建模为回归问题，有助于从姿态变化中解耦身份信息。所提网络在姿态不变人脸识别（PIFR）与跨姿态人脸合成任务上进行了评估。在多个受控与真实场景基准数据集上开展的广泛定量与定性评估表明，所提DED-GAN方法优于当前最先进的方法。
引用
@article{arxiv.1909.08797,
title = {Dual Encoder-Decoder based Generative Adversarial Networks for Disentangled Facial Representation Learning},
author = {Cong Hu and Zhen-Hua Feng and Xiao-Jun Wu and Josef Kittler},
journal= {arXiv preprint arXiv:1909.08797},
year = {2019}
}