基于生成对抗网络的高效发型迁移
计算机视觉与模式识别
2022-10-25 v1 图像与视频处理
摘要
尽管基于生成对抗网络（GANs）的图像生成与风格迁移近期取得成功，但由于自然条件下人类发型的形状与风格多变性，头发合成与风格迁移仍具挑战性。当前最先进的头发合成方法难以保持目标风格的全局构图，且因在高分辨率人像上运行成本高而无法用于实时应用。因此，我们提出一种称为EHGAN的新型发型迁移方法，其降低了计算成本以实现实时处理，同时与其他最先进的头发合成方法相比以更好的全局结构改进了发型迁移。为实现此目标，我们训练一个编码器和一个低分辨率生成器来迁移发型，随后用预训练的超分辨率模型提升结果分辨率。我们利用自适应实例归一化（AdaIN）并设计我们新颖的头发混合块（HBB）以获得生成器的最佳性能。EHGAN所需时间消耗分别约为最先进的MichiGAN和LOHO方法的2.7倍和超过10,000倍更少，同时获得比竞争对手更好的真实感与对所期望风格的结构相似性。
引用
@article{arxiv.2210.12524,
title = {Efficient Hair Style Transfer with Generative Adversarial Networks},
author = {Muhammed Pektas and Baris Gecer and Aybars Ugur},
journal= {arXiv preprint arXiv:2210.12524},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2010.16417 by other authors