基于归一化流的语义潜分解用于人脸编辑
计算机视觉与模式识别
2023-09-12 v1 人工智能
摘要
在 StyleGAN 的潜空间中导航已显示出对人脸编辑的有效性。然而，所得方法通常因潜空间中不同属性间的纠缠而在复杂导航上遭遇挑战。为解决此问题，本文提出一种新颖框架，称为 SDFlow，利用连续条件归一化流在原始潜空间中进行语义分解。具体而言，SDFlow 通过联合优化两个组件将原始潜码分解为不同的无关变量：（i）从输入人脸估计语义变量的语义编码器，以及（ii）以所学语义变量为条件、将潜码映射为高斯分布中语义无关变量的基于流的变换模块。为消除变量间纠缠，我们在互信息框架下采用解耦学习策略，从而提供精确的操控控制。实验结果表明，SDFlow 在定性与定量上均优于现有最先进的人脸编辑方法。源代码发布于 https://github.com/phil329/SDFlow。
引用
@article{arxiv.2309.05314,
title = {Semantic Latent Decomposition with Normalizing Flows for Face Editing},
author = {Binglei Li and Zhizhong Huang and Hongming Shan and Junping Zhang},
journal= {arXiv preprint arXiv:2309.05314},
year = {2023}
}