DyStyle：用于多属性条件风格编辑的动态神经网络
计算机视觉与模式识别
2022-09-29 v3
摘要
StyleGAN的语义可控性通过不懈的研究得到增强。尽管现有的弱监督方法在沿单一属性操控风格编码方面表现良好，但操控多个属性的准确性却被忽视。多属性表示在StyleGAN潜空间中易于纠缠，而顺序编辑会导致误差累积。为应对这些局限，我们设计了一种动态风格操控网络（DyStyle），其结构与参数随输入样本变化，以对潜编码进行非线性自适应操控，实现灵活而精确的属性控制。为高效稳定地优化DyStyle网络，我们提出了动态多属性对比学习（DmaCL）方法：包括动态多属性对比器与动态多属性对比损失，其同时从生成图像与模型的潜空间中解耦多种属性。结果表明，我们的方法实现了沿多个数值与二值属性的细粒度解耦编辑。与现有风格操控方法的定性与定量比较，验证了我们的方法在多属性控制精度与身份保持方面具有优越性，且不损害真实感。
引用
@article{arxiv.2109.10737,
title = {DyStyle: Dynamic Neural Network for Multi-Attribute-Conditioned Style Editing},
author = {Bingchuan Li and Shaofei Cai and Wei Liu and Peng Zhang and Qian He and Miao Hua and Zili Yi},
journal= {arXiv preprint arXiv:2109.10737},
year = {2022}
}
备注
Accepted to WACV 2023, 19 pages, 20 figures