SeCGAN：基于语义一致性的并行条件生成对抗网络人脸编辑

语义引导的条件生成对抗网络（cGAN）近年来成为人脸编辑的流行方法。然而，多数现有方法将语义掩码作为直接条件输入给生成器，且常需要目标掩码在 RGB 空间执行相应翻译。我们提出 SeCGAN，一种新颖的标签引导 cGAN，利用语义信息编辑人脸图像而无需指定目标语义掩码。训练时，SeCGAN 有两条并行运行的生成器与判别器分支，一条训练用于翻译 RGB 图像，另一条用于语义掩码。为以互利方式桥接两分支，我们引入语义一致性损失，约束两分支具有一致的语义输出。尽管训练时两分支均需要，RGB 分支是我们的主网络，推理时不需要语义分支。我们在 CelebA 和 CelebA-HQ 上的结果表明，我们的方法能生成具有更准确属性的面部图像，在目标属性识别率上优于竞争基线，同时保持自监督 Fréchet Inception Distance 和 Inception Score 等质量指标。