基于VAE/WGAN的图像表示学习用于人脸图像中保持姿态的无缝身份替换
计算机视觉与模式识别
2020-03-03 v1 机器学习
摘要
我们提出了一种基于Wasserstein损失的新型变分生成对抗网络（VGAN），用于从人脸图像中学习一种对身份不变但保留头部姿态信息的潜在表示。这有助于合成具有与给定输入图像相同头部姿态但不同身份的真实人脸图像。该网络的一个应用在于隐私敏感场景；图像中身份被替换后，诸如头部姿态等效用仍可被恢复。在合成和真实人脸图像数据集上于3种威胁场景下进行的广泛实验验证，证实了所提网络能够保留输入图像的头部姿态、掩盖输入身份，并合成所需身份的高质量真实人脸图像。我们还展示了我们的网络可用于执行保持姿态的身份变形和保持身份的姿态变形。所提方法在量化指标和合成图像质量方面均优于近期的最先进方法。
引用
@article{arxiv.2003.00641,
title = {VAE/WGAN-Based Image Representation Learning For Pose-Preserving Seamless Identity Replacement In Facial Images},
author = {Hiroki Kawai and Jiawei Chen and Prakash Ishwar and Janusz Konrad},
journal= {arXiv preprint arXiv:2003.00641},
year = {2020}
}
备注
6 pages, 5 figures, 2019 IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP)