SemFaceEdit：基于生成式辐射流形的语义人脸编辑
计算机视觉与模式识别
2025-07-01 v1
摘要
尽管 3D 感知式 GAN 方法提供了多视图一致性，但生成的图像往往缺乏局部编辑的能力。为此，生成式辐射流形（generative radiance manifolds）作为一种在体积内受限点采样的有效方法，显著降低了计算需求，使能够学习细节。本工作引入 SemFaceEdit，一种新方法，通过在生成式辐射流形上生成语义场来简化外观和几何编辑流程。利用潜在代码，本方法有效地在生成图像中 disentangled 了不同面部语义相关的几何和外观。与现有方法不同，后者会改变整个辐射场的外观，而本方法 enables 对特定人脸语义进行精确编辑，同时保持其他区域的完整性。我们的网络包含两个关键模块：几何模块负责生成语义辐射和占用场，外观模块负责预测 RGB 辐射。我们在对抗训练中联合训练两个模块，以学习语义感知的几何和外观描述符。外观描述符随后由各自的语义潜在代码作为条件输入外观模块，从而实现 disentanglement 和增强控制。我们的实验突出 SemFaceEdit 在语义场基础编辑中的优越性能，尤其在实现更好的辐射场 disentanglement 方面。
引用
@article{arxiv.2506.22833,
title = {SemFaceEdit: Semantic Face Editing on Generative Radiance Manifolds},
author = {Shashikant Verma and Shanmuganathan Raman},
journal= {arXiv preprint arXiv:2506.22833},
year = {2025}
}