LOHO：基于正交化的发型潜空间优化
计算机视觉与模式识别
2021-03-11 v2 机器学习
摘要
由于源发型与目标发型在头发结构上的差异，发型迁移具有挑战性。因此，我们提出基于正交化的发型潜空间优化（LOHO），一种基于优化的方法，利用 GAN 反演在发型迁移过程中于潜空间内补全缺失的头发结构细节。我们的方法将头发分解为三个属性：感知结构、外观与风格，并包含定制的损失以独立地对每个属性进行建模。此外，我们提出两阶段优化与梯度正交化，以实现头发各属性的解耦潜空间优化。利用 LOHO 进行潜空间操控，用户可通过单独或联合操控头发属性，并从参考发型迁移所需属性，来合成新颖的真实感图像。在发型迁移任务上，LOHO 相较于当前最先进（SOTA）方法取得了更优的 FID。此外，根据 PSNR 与 SSIM 指标，LOHO 在保持主体身份方面与 SOTA 图像嵌入流程相当。代码见 https://github.com/dukebw/LOHO。
引用
@article{arxiv.2103.03891,
title = {LOHO: Latent Optimization of Hairstyles via Orthogonalization},
author = {Rohit Saha and Brendan Duke and Florian Shkurti and Graham W. Taylor and Parham Aarabi},
journal= {arXiv preprint arXiv:2103.03891},
year = {2021}
}
备注
CVPR 2021