从自编码器到 CycleGAN：基于对抗学习的鲁棒无配对人脸操控
机器学习
2026-01-05 v2
摘要
人脸合成与操控在娱乐和人工智能领域日益重要，即使仅具备未配对、未对齐的数据集，对高真实感且保持身份特征的图像的需求也在不断增长。我们通过对抗学习研究无配对人脸操控，从自编码器基线过渡到鲁棒的引导式 CycleGAN 框架。虽然自编码器能捕捉粗略的身份特征，但常丢失精细细节。我们的方法集成了用于稳定训练的谱归一化、用于保持主体身份与高层结构的身份引导损失和感知引导损失，以及用于在姿态和光照变化下维持面部几何结构的标志点加权循环约束。实验表明，与自编码器相比，我们经对抗训练的 CycleGAN 在真实感（FID）、感知质量（LPIPS）和身份保持（ID-Sim）方面均有提升，同时具有具竞争力的循环重建 SSIM 和实用的推理时间，在无需配对数据集的情况下实现了高质量，并在精选的配对子集上接近 pix2pix 的表现。这些结果表明，引导式谱归一化 CycleGAN 为从自编码器走向鲁棒的无配对人脸操控提供了一条实用路径。
引用
@article{arxiv.2509.12176,
title = {From Autoencoders to CycleGAN: Robust Unpaired Face Manipulation via Adversarial Learning},
author = {Collin Guo and Yi Qian},
journal= {arXiv preprint arXiv:2509.12176},
year = {2026}
}
备注
8 pages, 7 figures