保真度保持的前景引导人脸修复

人脸图像修复是一项极具挑战性的任务，要求对图像真实性进行高保真保持。这是由于关键面部特征（部件）中细微的纹理不易迁移。许多图像修复技术已被提出，并取得了出色的能力和高量化性能。然而，在人脸修复中，特征更为显眼，且修复区域融合的视觉质量在定性上更为重要。基于这些事实，我们设计了一个前景引导的人脸修复框架，可利用卷积神经网络层提取并生成面部特征。它引入前景分割掩码以保持保真度。具体而言，我们提出了一种具有面部表情、自然与非自然特征（化妆）语义能力推理的新损失函数。我们使用 CelebA-HQ 数据集、来自 CelebAMask-HQ 的分割掩码（用于前景引导）以及 Quick Draw Mask（用于缺失区域）进行实验。我们提出的方法在与最先进方法比较时取得了可媲美的量化结果，但在定性上展示了对面部部件的高保真保持。