SiGAN：用于身份保持人脸幻觉的连体生成对抗网络
计算机视觉与模式识别
2019-10-02 v1
摘要
尽管生成对抗网络(GANs)能够从低分辨率(LR)人脸幻构出照片级真实感的高分辨率(HR)人脸，它们无法保证保持所幻构HR人脸的身份，使得HR人脸难以辨识。为解决此问题，我们提出一种连体GAN(SiGAN)来重建在视觉上与其对应身份相似的HR人脸。在连体网络之上，所提SiGAN由一对两个相同的生成器和一个判别器组成。我们以成对方式将重建误差和身份标签信息纳入SiGAN的损失函数。通过迭代优化SiGAN生成器对和判别器的损失函数，我们不仅能实现照片级真实感的人脸重建，还确保重建信息对身份识别有用。实验结果表明，SiGAN在客观人脸验证性能上显著优于现有人脸幻觉GANs，同时实现照片级真实感重建。此外，对于来自未包含在训练中的未知身份的输入LR人脸，SiGAN仍能表现良好。
引用
@article{arxiv.1807.08370,
title = {SiGAN: Siamese Generative Adversarial Network for Identity-Preserving Face Hallucination},
author = {Chih-Chung Hsu and Chia-Wen Lin and Weng-Tai Su and Gene Cheung},
journal= {arXiv preprint arXiv:1807.08370},
year = {2019}
}
备注
13 pages