Fader 网络：通过滑动属性操控图像
计算机视觉与模式识别
2018-01-30 v2
摘要
本文引入一种新的编码器-解码器架构，该架构通过直接在潜在空间中解耦图像的显著信息与属性值来训练重建图像。因此，训练后，我们的模型可以通过改变属性值生成输入图像的不同逼真版本。通过使用连续属性值，我们可以选择生成图像中特定属性的可感知程度。这一特性可应用于用户使用滑动旋钮（如同调音台上的推子）修改图像，例如改变肖像的面部表情或更新某些物体的颜色。与现有技术大多依赖在训练时通过改变属性值在像素空间训练对抗网络相比，我们的方法带来了更简单的训练方案，并能很好地扩展到多个属性。我们提供证据表明，我们的模型可以显著改变属性的感知值，同时保持图像的自然度。
引用
@article{arxiv.1706.00409,
title = {Fader Networks: Manipulating Images by Sliding Attributes},
author = {Guillaume Lample and Neil Zeghidour and Nicolas Usunier and Antoine Bordes and Ludovic Denoyer and Marc'Aurelio Ranzato},
journal= {arXiv preprint arXiv:1706.00409},
year = {2018}
}
备注
NIPS 2017