高效少样本身份保持属性编辑：针对3D感知深度生成模型

Vishal Vinod

高效少样本身份保持属性编辑：针对3D感知深度生成模型

计算机视觉与模式识别 2025-10-22 v1 机器学习

作者: Vishal Vinod

摘要

身份保持人脸编辑是一类生成任务，旨在修改光照、增减眼镜、年龄化、编辑发型、修改表情等，同时保持人脸身份不变。近期在2D生成模型方面的进展，使我们能够以简单技术实现人脸的光照重建和身份保持编辑，这些技术利用了GAN中的可组合性。然而，针对给定属性集合的3D人脸进行身份保持编辑，仍是一个具有挑战性的任务，因为生成模型必须从多个姿态推理视图一致性，并渲染出逼真的3D人脸。此外，3D人脸编辑需要大规模带属性标签的数据集，并且存在一种权衡：即在低分辨率上的可编辑性与在高分辨率上的灵活性之间的权衡。本文旨在通过识别与逼真编辑相对应的潜空间方向，来缓解编辑3D人脸的一些限制。为此，我们提出了一种方法，基于近期在3D感知深度生成模型和2D人脸编辑技术的最新进展，实现对3D感知深度生成模型的高效少样本身份保持属性编辑。我们希望通过实验结果表明，只需10张或更少的带标签图像即可估计出对应3D感知属性编辑的编辑方向。本文利用现有带遮罩的人脸数据集，以获得用于估计编辑方向的少量属性示例的合成图像。此外，为验证编辑的线性性，我们通过顺序编辑进行单样本风格化，并使用(2D)属性风格操作(ASM)技术来探讨3D一致性身份保持人脸年龄化的连续风格流形。代码与结果已公开：https://vishal-vinod.github.io/gmpi-edit/

关键词

少样本学习身份保持 3D人脸编辑生成模型潜空间编辑

引用

@article{arxiv.2510.18287,
  title  = {Efficient Few-shot Identity Preserving Attribute Editing for 3D-aware Deep Generative Models},
  author = {Vishal Vinod},
  journal= {arXiv preprint arXiv:2510.18287},
  year   = {2025}
}

备注

14 pages, 7 figures

高效少样本身份保持属性编辑：针对3D感知深度生成模型

摘要

关键词

引用

备注

相关论文