面向人脸生成的一次性域适应

本文提出一种能够生成与给定一次性示例同分布人脸图像的框架。我们利用预训练的StyleGAN模型，其已学习到通用人脸分布。给定一次性目标，我们设计了一种迭代优化方案，可快速调整模型权重，将输出的高层分布偏移至目标分布。为生成同分布图像，我们引入一种风格混合技术，将目标的低层统计信息迁移至用该模型随机生成的人脸上。由此，我们能够生成无限多张同时继承自通用人脸分布与一次性示例分布的人脸。新生成的人脸可作为其他下游任务的增广训练数据。该设定颇具吸引力，因为在目标域中仅需标注极少甚至一个示例，这常见于由多种未知且独特分布导致的真实人脸篡改，每种分布的出现频率极低。我们展示了我们的一次性方法在检测人脸篡改上的有效性，并从定性与定量上与其他少样本域适应方法进行比较。