GAN-Control：显式可控的 GANs
计算机视觉与模式识别
2021-10-05 v2
摘要
我们提出一种训练 GANs 的框架，可对生成图像进行显式控制。我们能够通过设定确切属性（如年龄、姿态、表情等）来控制生成的图像。大多数编辑 GAN 生成图像的方法利用标准 GAN 训练后隐式获得的潜空间解耦特性来实现部分控制。此类方法能够改变某些属性的相对强度，但无法显式设定其值。近期提出的针对人脸显式控制的方法借助可形变 3D 人脸模型来赋予 GANs 细粒度控制能力。与这些方法不同，我们的控制不受限于可形变 3D 人脸模型参数，并可扩展至人脸领域之外。利用对比学习，我们得到具有显式解耦潜空间的 GANs。该解耦被用于训练控制编码器，将人类可解释的输映射至合适的潜向量，从而实现显式控制。在人脸领域，我们展示了对身份、年龄、姿态、表情、发色与光照的控制。我们还在绘画肖像与狗图像生成领域展示了框架的控制能力。我们表明，我们的方法在定性与定量上均达到了 state-of-the-art 性能。
引用
@article{arxiv.2101.02477,
title = {GAN-Control: Explicitly Controllable GANs},
author = {Alon Shoshan and Nadav Bhonker and Igor Kviatkovsky and Gerard Medioni},
journal= {arXiv preprint arXiv:2101.02477},
year = {2021}
}