FSGANv2：改进的主体无关人脸交换与重演
计算机视觉与模式识别
2022-03-01 v1 图形学
机器学习
摘要
我们提出用于人脸交换与重演的人脸交换生成对抗网络（FSGAN）。与先前工作不同，我们提供了一种主体无关的交换方案，可应用于人脸对而无需针对这些人脸进行训练。我们推导了一种新颖的基于迭代深度学习的人脸重演方法，可调整显著的姿态与表情变化，并应用于单张图像或视频序列。对于视频序列，我们引入了基于重演、Delaunay 三角剖分与重心坐标的人脸视图连续插值。被遮挡的人脸区域由人脸补全网络处理。最后，我们使用人脸融合网络无缝融合两张人脸，同时保留目标肤色与光照条件。该网络采用一种结合泊松优化与感知损失的新型泊松融合损失。我们将我们的方法与现有最先进（SOTA）系统进行比较，并显示我们的结果在定性与定量上均更优。本工作描述了我们前期会议版本中提出的 FSGAN 方法的扩展，以及额外的实验与结果。
引用
@article{arxiv.2202.12972,
title = {FSGANv2: Improved Subject Agnostic Face Swapping and Reenactment},
author = {Yuval Nirkin and Yosi Keller and Tal Hassner},
journal= {arXiv preprint arXiv:2202.12972},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:1908.05932