FacialGAN：合成人脸的风格迁移与属性操控
计算机视觉与模式识别
2021-10-19 v1
摘要
人脸图像操控是一项生成任务，其输出人脸在面部属性和风格上向预期的目标方向转变。近期工作在各种编辑技术（如风格迁移和属性转换）中取得了巨大成功。然而，当前的方法要么专注于纯风格迁移，要么专注于交互性受限的预定义属性集转换。为了解决这个问题，我们提出了 FacialGAN，一种能够同时进行丰富风格迁移和交互式面部属性操控的新型框架。在保持源图像身份的同时，我们将目标图像的多样风格迁移到源图像。然后，我们结合分割掩码的几何信息，以提供对面部属性的细粒度操控。最后，引入多目标学习策略来优化每个特定任务的损失。在 CelebA-HQ 数据集上的实验（使用 CelebAMask-HQ 作为语义掩码标签）表明，我们的模型在风格迁移、属性操控、多样性和人脸验证方面具有产生视觉上令人信服结果的能力。为了可复现性，我们提供了一个交互式开源工具来执行面部操控，以及该模型的 Pytorch 实现。
引用
@article{arxiv.2110.09425,
title = {FacialGAN: Style Transfer and Attribute Manipulation on Synthetic Faces},
author = {Ricard Durall and Jireh Jam and Dominik Strassel and Moi Hoon Yap and Janis Keuper},
journal= {arXiv preprint arXiv:2110.09425},
year = {2021}
}