用于人脸属性编辑的稀疏分组多任务生成对抗网络
计算机视觉与模式识别
2020-06-01 v7
摘要
近期的图像到图像翻译算法在神经风格迁移和图像属性操控任务上已取得显著进展。然而，现有方法需要详尽标注训练数据，这耗费人力、难以扩展且难以迁移至新领域。为克服这一关键局限，我们提出稀疏分组生成对抗网络（SG-GAN）作为一种新方法，能够在仅少量训练样本被标注的稀疏分组数据集上翻译图像。利用一种新颖的单输入多输出架构，SG-GAN非常适用于处理稀疏分组学习和多任务学习。所提模型仅需一个共同训练的模型即可在多个组之间翻译图像。为实验验证新模型的优势，我们将所提方法应用于一系列人脸图像属性操控任务。实验结果表明，在充分标注的数据集上，SG-GAN能生成与基线方法质量相当的图像翻译结果；在稀疏分组数据集上，其生成结果质量更优。官方实现已公开：https://github.com/zhangqianhui/Sparsely-Grouped-GAN。
引用
@article{arxiv.1805.07509,
title = {Sparsely Grouped Multi-task Generative Adversarial Networks for Facial Attribute Manipulation},
author = {Jichao Zhang and Yezhi Shu and Songhua Xu and Gongze Cao and Fan Zhong and Meng Liu and Xueying Qin},
journal= {arXiv preprint arXiv:1805.07509},
year = {2020}
}
备注
Accepted by ACMMM2018