SEED：用于扩散模型序列面部属性编辑的基准数据集
计算机视觉与模式识别
2025-06-03 v1 多媒体
摘要
扩散模型最近实现了跨广泛语义属性的精确且逼真的面部编辑。除了单步修改之外，越来越多的一类应用现在需要分析和跟踪渐进编辑序列的能力，例如头发、化妆或配饰的逐步变化。然而，序列编辑在编辑归因和检测鲁棒性方面引入了重大挑战，而缺乏专门为此任务量身定制的大规模、精细标注的基准进一步加剧了这些挑战。我们引入了 SEED，一个通过最先进的扩散模型构建的大规模序列编辑面部数据集。SEED 包含超过 90,000 张面部图像，具有一到四个序列属性修改，使用多种基于扩散的编辑流程（LEdits、SDXL、SD3）生成。每张图像都标注有详细的编辑序列、属性掩码和提示，促进了对序列编辑跟踪、视觉溯源分析和篡改鲁棒性评估的研究。为了对该任务进行基准测试，我们提出了 FAITH，一种结合高频线索以增强对细微序列变化敏感性的频率感知 Transformer 模型。包括多种频域方法系统比较在内的综合实验证明了 FAITH 的有效性和 SEED 带来的独特挑战。SEED 为大规模研究渐进式基于扩散的编辑提供了具有挑战性且灵活的资源。数据集和代码将公开发布于：https://github.com/Zeus1037/SEED。
引用
@article{arxiv.2506.00562,
title = {SEED: A Benchmark Dataset for Sequential Facial Attribute Editing with Diffusion Models},
author = {Yule Zhu and Ping Liu and Zhedong Zheng and Wei Liu},
journal= {arXiv preprint arXiv:2506.00562},
year = {2025}
}