FaceFeat-GAN：一种保持身份的人脸合成两阶段方法
计算机视觉与模式识别
2018-12-05 v1
摘要
生成对抗网络(GAN)的发展使得逼真人脸图像合成成为可能。然而，合成既保留面部身份又在每个身份内具有高度多样性的人脸图像仍然具有挑战性。为解决此问题，我们提出 FaceFeat-GAN，一种通过两阶段使用来改善图像质量与多样性的新型生成模型。不同于现有的将随机噪声直接映射到图像的单阶段模型，我们的两阶段合成包括第一阶段多样特征生成与第二阶段特征到图像的渲染。生成器与判别器之间的竞争在两阶段中以不同目标函数被精心设计。特别地，在第一阶段，它们在特征域竞争以合成各种面部特征而非图像。在第二阶段，它们在图像域竞争以渲染包含高多样性但保留身份的逼真图像。大量实验表明，FaceFeat-GAN 生成的图像不仅保留身份信息，而且具有高度多样性与质量，显著优于先前方法。
引用
@article{arxiv.1812.01288,
title = {FaceFeat-GAN: a Two-Stage Approach for Identity-Preserving Face Synthesis},
author = {Yujun Shen and Bolei Zhou and Ping Luo and Xiaoou Tang},
journal= {arXiv preprint arXiv:1812.01288},
year = {2018}
}
备注
12 pages and 6 figures