MulGAN：基于范例的人脸属性编辑
计算机视觉与模式识别
2020-01-01 v1
摘要
近期关于基于范例的人脸属性编辑研究因深度卷积网络与生成对抗网络能力的提升取得了可喜成果。这些方法以一对具有相反属性的图像作为输入训练模型，将图像中与属性相关的信息编码至潜特征空间的预定义区域，通过交换输入图像与范例的属性相关潜特征区域，可实现二者间的脸属性迁移。然而，它们存在三点局限：(1) 模型必须以一对相反属性图像作为输入训练；(2) 通过范例编辑多属性的能力弱；(3) 生成图像质量差。不同于对输入图像施加相反属性约束以使其属性信息编码入潜特征空间预定义区域，本工作直接将属性标签约束施加于潜特征空间的预定义区域。同时，采用属性分类损失使模型学习将图像属性相关信息提取至对应属性的预定义潜特征区域，从而令本方法能同时迁移范例的多个属性。此外，设计了一种新颖模型结构，在增强基于范例的属性迁移能力的同时提升生成图像质量。在 CelebA 数据集上与其他方法的对比实验证明了本模型克服上述三点局限的有效性。
引用
@article{arxiv.1912.12396,
title = {MulGAN: Facial Attribute Editing by Exemplar},
author = {Jingtao Guo and Zhenzhen Qian and Zuowei Zhou and Yi Liu},
journal= {arXiv preprint arXiv:1912.12396},
year = {2020}
}