FEAT：基于注意力的人脸编辑
计算机视觉与模式识别
2022-02-08 v1
摘要
利用预训练生成器的潜空间近来被证明是基于 GAN 的人脸操控的有效手段。该方法的成功严重依赖于生成器潜空间轴线的内在解耦。然而，人脸操控通常仅意图影响局部区域，而常见生成器往往不具备必要的空间解耦。本文基于 StyleGAN 生成器，提出一种方法，通过引入学习到的注意力图显式地促使人脸操控聚焦于预期区域。在生成编辑后图像时，注意力图充当掩码，引导原始特征与修改后特征之间的混合。潜空间编辑的引导通过采用 CLIP 实现，后者近期被证明对文本驱动编辑有效。我们进行了大量实验，表明我们的方法能够基于文本描述、仅关注相关区域来执行解耦且可控的人脸操控。定性与定量实验结果均证明了我们的方法在面部区域编辑上相对于替代方法的优越性。
引用
@article{arxiv.2202.02713,
title = {FEAT: Face Editing with Attention},
author = {Xianxu Hou and Linlin Shen and Or Patashnik and Daniel Cohen-Or and Hui Huang},
journal= {arXiv preprint arXiv:2202.02713},
year = {2022}
}