U-Face: 基于子空间学习的无监督面部属性编辑的高效与通用框架
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
基于潜在空间的面部属性编辑方法在数字娱乐、虚拟角色创建和人机交互系统等应用中广受欢迎，因其能够实现高效灵活的属性操控，特别是连续编辑。在这些方法中，无需依赖标注数据即可发现有效语义向量的无监督潜在空间方法引起了研究界的广泛关注。然而，现有方法在解耦方面仍然存在困难，因为操控特定面部属性可能会无意中影响其他属性，从而增加了细粒度可控性的难度。为应对这些挑战，我们提出了一种名为无监督面部属性可控编辑（U-Face）的新型框架，旨在提供有效且通用的无监督面部属性编辑解决方案。该方法将语义向量学习表述为子空间学习问题，其中潜在向量在由语义向量矩阵张成的低维语义子空间内进行近似。该表述也可以等价地从投影-重构角度进行解释，并进一步推广到自编码器框架，为灵活地支持解耦表示学习奠定了基础。为提高解耦性和可控性，我们对语义向量施加正交非负约束，并引入属性边界向量以减少学习方向中的纠缠。尽管这些约束使优化问题具有挑战性，我们设计了一种称为交替迭代解耦与可控性（AIDC）的交替迭代算法，在特定条件下具有闭式更新和可证明的收敛性。
引用
@article{arxiv.2603.14004,
title = {U-Face: An Efficient and Generalizable Framework for Unsupervised Facial Attribute Editing via Subspace Learning},
author = {Bo Liu and Xuan Cui and Run Zeng and Wei Duan and Chongwen Liu and Jinrui Qian and Lianggui Tang and Hongping Gan},
journal= {arXiv preprint arXiv:2603.14004},
year = {2026}
}