通过潜空间映射实现人脸身份解耦

学习数据的解耦表示是人工智能中的一个基本问题。具体地，解耦的潜表示使生成模型能在合成过程中控制并组合解耦因子。然而，现有方法需要大量监督与训练，或明显牺牲质量。本文中，我们提出一种以最小监督学习解耦数据表示的方法，仅利用可用的预训练网络实现。我们的核心见解是通过采用领先的预训练无条件图像生成器（如 StyleGAN）来解耦解耦与合成过程。通过学习映射到其潜空间，我们利用其最先进的生成质量及丰富且具表现力的潜空间，而无需训练它的负担。我们在复杂且高维的人头领域演示了我们的方法。我们从定性与定量上评估了方法，并展示了其在去标识化操作及图像序列中时间身份一致性方面的成功。通过大量实验，我们表明即便现有方法需要更多训练与监督，我们的方法仍成功将身份与其他面部属性解耦，并超越它们。