MD-Face：基于 MoE 增强的无标签解耦表示用于交互式人脸属性编辑
计算机视觉与模式识别
2026-04-23 v1
摘要
基于 GAN 的人脸属性编辑广泛应用于虚拟化身和社交媒体，但常受属性纠缠困扰，即修改一个面部属性会无意中改变其他属性。虽然有监督的解耦表示学习可以解决此问题，但它严重依赖标注数据，导致高昂的标注成本。为应对这些挑战，我们提出 MD-Face，一个基于专家混合（MoE）的无标签解耦表示学习框架。MD-Face 利用带有门控机制的 MoE 骨干网络动态分配专家，使模型能够学习具有更高独立性的语义向量。为进一步减少属性纠缠，我们引入几何感知损失，通过基于雅可比的前推方法将每个语义向量与其对应的语义边界向量（SBV）对齐。使用 ProGAN 和 StyleGAN 的实验表明，MD-Face 优于无监督基线，并与有监督方法性能相当。与基于扩散模型的方法相比，它提供了更好的图像质量和更低的推理延迟，非常适合交互式编辑。
引用
@article{arxiv.2604.20317,
title = {MD-Face: MoE-Enhanced Label-Free Disentangled Representation for Interactive Facial Attribute Editing},
author = {Xuan Cui and Yunfei Zhao and Bo Liu and Wei Duan and Xingrong Fan},
journal= {arXiv preprint arXiv:2604.20317},
year = {2026}
}