MOST-GAN：用于解耦人脸图像编辑的三维可变形 StyleGAN
计算机视觉与模式识别
2021-11-02 v1 人工智能
图形学
机器学习
摘要
生成对抗网络（GANs）的最新进展在人脸图像合成方面取得了显著成就。虽然使用基于风格的 GANs 的方法可以生成极为逼真的人脸图像，但通常难以以有意义且解耦的方式控制所生成人脸的特征。先前的方法旨在已训练 GAN 的潜空间中实现此类语义控制与解耦。相比之下，我们提出了一种框架，其先验地对人脸的物理属性（如三维形状、反照率、姿态与光照）进行显式建模，从而通过设计实现解耦。我们的方法 MOST-GAN 将基于风格的 GANs 的表达力与逼真度，与非线性三维可变形模型的物理解耦性和灵活性相结合，并辅以最先进的二维头发编辑网络。MOST-GAN 实现了对人像图像的逼真编辑，对其物理属性具有完全解耦的三维控制，支持对照明、面部表情和姿态变化进行极端编辑，直至全侧面视图。
引用
@article{arxiv.2111.01048,
title = {MOST-GAN: 3D Morphable StyleGAN for Disentangled Face Image Manipulation},
author = {Safa C. Medin and Bernhard Egger and Anoop Cherian and Ye Wang and Joshua B. Tenenbaum and Xiaoming Liu and Tim K. Marks},
journal= {arXiv preprint arXiv:2111.01048},
year = {2021}
}