Bias Analysis for Synthetic Face Detection: A Case Study of the Impact of Facial Attributes
University of Beira Interior(贝拉内尔内大学);NOVA LINCS;University of Salerno(萨勒诺大学)
本研究提出一种基于均匀属性标签合成数据的评估框架,针对5个先进合成人脸检测器在25个受控人脸属性上的偏差展开案例研究,证实了偏差存在并揭示了其来源。
2025-07-29 cs.CV
A View From Somewhere: Human-Centric Face Representations
Sony AI(索尼人工智能研究所);University of Tokyo(东京大学)
很少有数据集包含自我识别的敏感属性,推断属性可能会引入额外的偏见,收集属性可能会带来法律风险。此外,分类标签可能无法反映人类表型多样性的连续性,这使得难以比较相同标签的人脸之间的相似性。为了解决这些问题,我们提出了一个来自某处的视图(AVFS)-一个包含638,180个人脸相似性判断的数据集。我们证明了AVFS的效用,学习一个连续的,低维的嵌入空间与人类的感知。我们的嵌入空间,在一个新的条件框架下诱导,不仅能够准确预测人脸相似性,而且还提供了一个人类可解释的分解的维度中使用的人类决策过程中,和重要性不同的注释器放置在每个维度上。我们还展示了收集连续属性,进行分类和比较数据集属性差异的维度的实用性。
2023-03-30 cs.CV
Distill and De-bias: Mitigating Bias in Face Verification using Knowledge Distillation
Johns Hopkins University(约翰斯·霍普金斯大学);Univ. of Maryland, College Park(马里兰大学帕克分校);NIST(美国国家标准与技术研究院)
人脸识别网络通常表现出对敏感属性(如性别,肤色等)的偏见。对于性别和肤色,我们观察到网络关注的人脸区域因属性类别而异。这可能会导致偏见。基于这种直觉,我们提出了一种新的基于蒸馏的方法,称为蒸馏和去偏(D&D),以强制网络关注相似的人脸区域,而不管属性类别如何。在D&D中,我们训练一个教师网络,该网络使用来自一个属性类别的图像;例如,浅色肤色。然后从老师那里提取信息,我们在剩余类别的图像上训练学生网络;例如,深色皮肤特征级蒸馏损失限制学生网络生成类似教师的表示。这允许学生网络关注所有属性类别的相似面部区域,并使其能够减少偏差。我们还提出了在D&D之上的第二个蒸馏步骤,称为D&D++。在这里,我们将D&D网络的“无偏性”提取到一个新的学生网络D&D++网络中,同时在所有属性类别上训练这个新网络;例如,浅色和深色的肤色。这有助于我们训练一个对属性偏差较小的网络,同时获得比D&D更高的人脸验证性能。我们表明,D&D++在减少IJB-C数据集上的性别和肤色偏见方面优于现有基线,同时获得比现有对抗性去偏见方法更高的人脸验证性能。我们评估了我们提出的方法在两个最先进的人脸识别网络:ArcFace和Crystalface上的有效性。
2022-04-16 cs.CV
Multi-Task Learning Using Uncertainty to Weigh Losses for Heterogeneous Face Attribute Estimation
Tianjin University(天津大学);Tencent(腾讯)
针对异构人脸属性联合估计,本文提出硬参数共享浅层特征并利用同方差不确定性加权多任务损失的框架,提升了基准性能、降低训练成本,且验证了边缘部署可行性。
2024-03-01 cs.AI cs.CV
A Novel Multi-Task Tensor Correlation Neural Network for Facial Attribute Prediction
Hunan University(湖南大学);National University of Defense Technology(国防科技大学);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
人脸多属性预测从多任务学习(MTL)中受益匪浅,MTL同时学习多个人脸属性,以实现不同属性的共享或相互关联的表示。最广泛使用的MTL卷积神经网络是通过共享所有卷积层并在完全连接的层处针对特定任务的损失进行分裂来进行理论或经验设计的。然而,将不同属性的所有低级和中级特性视为相同是不恰当的,尤其是当这些属性只是松散相关时。本文提出了一种新的多属性张量相关神经网络(MTCN)用于人脸属性预测。该结构共享低级特征中的信息(例如,前两个卷积层)但将其拆分为高级特征(例如,从第三卷积层到全连接层)。同时,在高级特征提取期间,每个子网络(例如,性别网,性别网,.和Smile-Net)从其他网络中挖掘密切相关的特征以增强其特征。然后,我们使用一种新的张量相关分析算法(NTCCA)的微调子网络的C9层的功能到一个高度相关的空间。最后基于相关矩阵进行人脸属性预测。在具有多个人脸属性的基准测试(CelebA和LFWA)上的实验结果表明,该方法与最先进的方法相比具有更优越的性能。
2018-04-09 cs.CV
MaskMTL: Attribute prediction in masked facial images with deep multitask learning
Jawaharlal Nehru University(贾瓦哈拉尔·尼赫鲁大学);Indian Institute of Technology Delhi(印度理工学院德里分校)
在无标志的面部图像中预测属性本身是一项具有挑战性的任务,当面部由于使用掩模而被遮挡时,该任务变得更加复杂。利用身份验证或安全登录到个人电子设备的智能访问控制门可以利用面部作为生物特征。特别是,新型冠状病毒疫情日益证明了卫生和非接触式身份验证的重要性。在这种情况下,面具的使用变得更加不可避免,并且执行属性预测有助于将目标弱势群体与社区传播隔离开来,或者确保他们在协作环境中保持社交距离。我们通过有效地覆盖不同形状,大小和纹理的面具来创建一个面具人脸数据集,以有效地模拟佩戴面具产生的变化。本文提出了一种深度多任务学习(MTL)方法,用于从单个蒙面面部图像中联合估计各种异构属性。在基准人脸属性UTKFace数据集上的实验结果表明,该方法在性能上优于其他竞争技术。源代码可在https://github.com/ritikajha/Attribute-prediction-in-masked-facial-images-with-deep-multitask-learning上获得
2022-01-11 cs.CV
FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age
UCLA(加州大学洛杉矶分校)
现有的公共人脸数据集强烈偏向于高加索人的脸,而其他种族(例如,拉丁美洲人)的代表性严重不足。这可能会导致模型准确性不一致,限制面部分析系统对非白人种族群体的适用性,并对基于此类偏斜数据的研究结果产生不利影响。为了减轻这些数据集中的种族偏见,我们构建了一个新的人脸图像数据集,包含108,501张图像,强调数据集中的种族组成平衡。我们定义了7个种族群体:白人,黑人,印度人,东亚人,东南亚人,中东人和拉丁美洲人。图像收集自YFCC-100 M Flickr数据集,并标记了种族,性别和年龄组。对现有的人脸属性数据集以及新的图像数据集进行评估,以衡量泛化性能。我们发现,从我们的数据集训练的模型在新的数据集上更准确,并且准确性在种族和性别群体之间是一致的。
2019-08-14 cs.CV cs.LG
LogicNet: A Logical Consistency Embedded Face Attribute Learning Network
University of Notre Dame(圣母大学);Indiana University South Bend(南本德印第安纳大学);University of Arizona(亚利桑那大学)
针对多属性分类中的逻辑一致性问题,提出了对抗训练框架LogicNet及两个数据集,通过学习属性间的逻辑关系,在多个基准上显著提升了准确率并大幅减少了失败案例。
2024-09-21 cs.CV
FACET: Fairness in Computer Vision Evaluation Benchmark
Meta AI Research, FAIR(Meta人工智能研究院(FAIR))
提出FACET基准,含32k图像及专家标注,用于评估计算机视觉模型在性别、肤色等人口属性上的性能差异,发现分类、检测等任务存在不公平现象,以促进公平稳健的模型发展。
2023-08-31 cs.AI cs.CV
FairGRAPE: Fairness-aware GRAdient Pruning mEthod for Face Attribute Classification
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
现有的修剪技术保留了深度神经网络做出正确预测的整体能力,但也可能在压缩过程中放大隐藏的偏差。我们提出了一种新的修剪方法,公平意识梯度修剪方法(FairGRAPE),最大限度地减少修剪对不同子组的不成比例的影响。我们的方法计算每个模型权重的每组重要性,并选择一个子集的权重,保持相对组间的总重要性修剪。然后,该方法修剪网络边缘的重要性值小,并通过更新重要性值重复该过程。我们在四个不同的数据集上证明了我们的方法的有效性,FairFace,UTKFace,CelebA和ImageNet,用于面部属性分类任务,与最先进的修剪算法相比,我们的方法将性能下降的差异降低了90%。我们的方法在具有高修剪率(99%)的设置中显著更有效。实验中使用的代码和数据集可在https://github.com/Bernardo1998/FairGRAPE上获得
2022-07-22 cs.AI cs.CV cs.LG
Feature Level Fusion from Facial Attributes for Face Recognition
University of Notre Dame(圣母大学)
我们引入了一种深度卷积神经网络(CNN)架构,通过共享学习范式同时对面部属性进行分类和识别面部图像,以提高面部属性预测和面部识别性能的准确性。在该方法中,我们使用人脸属性作为辅助信息源,以辅助从人脸图像中提取的CNN特征,以提高人脸识别性能。具体来说,我们使用一个共享的CNN架构,通过一个共享的学习参数,同时联合预测人脸属性和识别人脸图像,然后我们使用人脸属性特征作为一个辅助信息源连接的人脸特征,以增加识别的CNN的人脸识别。这个过程有助于CNN分类器更好地识别人脸图像。实验结果表明,该模型提高了人脸识别和人脸属性预测的性能,特别是对性别和种族等身份属性。我们在几个由身份和人脸属性标记的标准数据集上对我们的方法进行了评估,结果表明,所提出的方法优于最先进的人脸识别模型。
2021-08-11 cs.CV
Face Attribute Prediction Using Off-the-Shelf CNN Features
KTH Royal Institute of Technology(KTH皇家理工学院)
从野外人脸图像中预测属性是一个具有挑战性的计算机视觉问题。为了从包含人脸的图像中自动描述人脸属性,传统上需要级联三个技术模块-人脸定位,人脸描述符构造和属性分类-在一个管道中。作为一个典型的分类问题,人脸属性预测已经使用深度学习来解决。目前最先进的性能是通过使用两个级联的卷积神经网络(CNN)来实现的,CNN是专门训练来学习人脸定位和属性描述的。在本文中,我们尝试了一种利用CNN深度表示能力的替代方法。结合传统的人脸定位技术,我们使用现成的架构训练的人脸识别来建立面部描述符。认识到可描述的人脸属性是多种多样的,我们的人脸描述符是从不同属性的CNN的不同级别构建的,以最好地促进人脸属性预测。在两个大型数据集LFWA和CelebA上的实验表明,我们的方法完全可以与最先进的方法相媲美。我们的研究结果不仅证明了一种有效的人脸属性预测方法,而且还提出了一个重要的问题:如何利用现成的CNN表示的能力来完成新的任务。
2016-06-21 cs.CV
Convolutional Network for Attribute-driven and Identity-preserving Human Face Generation
The Hong Kong Polytechnic University(香港理工大学);Harbin Institute of Technology(哈尔滨工业大学)
本文重点研究从特定属性生成人脸图片的问题。然而,现有的基于CNN的人脸生成模型要么忽略了所生成的人脸的身份,要么不能保持参考人脸图像的身份。在这里,我们解决这个问题,从优化的角度来看,并提出了一个优化模型,以生成具有给定属性的人脸,同时保持身份的参考图像。属性可以从属性引导图像中获得,也可以通过调整参考图像的属性特征来获得。使用深度卷积网络“VGG-Face”,损失在卷积特征图上定义。然后,我们应用梯度下降算法来解决这个优化问题。实验结果验证了该方法在属性驱动和身份保持的人脸生成中的有效性。
2016-08-23 cs.CV
A Jointly Learned Deep Architecture for Facial Attribute Analysis and Face Detection in the Wild
Fudan University(复旦大学)
真实世界场景中的人脸属性分析是非常具有挑战性的,主要是因为复杂的人脸变化。现有的人脸属性分析工作大多是基于裁剪和对齐的人脸图像。然而,这导致属性预测的能力严重依赖于人脸检测器的预处理。为了解决这个问题,我们提出了一种新的联合学习的深度架构,用于面部属性分析和面部检测。我们的框架可以处理野外的自然图像,我们在CelebA和LFWA数据集上的实验清楚地表明,获得了最先进的性能。
2017-07-27 cs.CV
Attributes Aware Face Generation with Generative Adversarial Networks
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
最近的研究表明,在面部图像生成方面取得了显着的成功。然而,现有的方法大多只从随机噪声中生成人脸图像,而不能根据人脸的特定属性生成人脸图像。本文主要研究基于属性的人脸合成问题,其目标是生成具有特定特征的人脸,并与给定的属性相对应。为此,我们提出了一种新的属性感知人脸图像生成器方法与生成对抗网络称为AFGAN。具体而言,我们首先提出了一个双路径嵌入层和自我注意力机制转换二进制属性向量丰富的属性特征。三个层叠生成器分别以属性特征为输入生成$64 \times 64$、$128 \times 128$和$256 \times 256$分辨率的人脸图像。此外,提出了一种图像-属性匹配损失,以增强生成的图像和输入属性之间的相关性。对CelebA的大量实验证明了我们的AFGAN在定性和定量评价方面的优越性。
2020-12-03 cs.CV
A Deep Face Identification Network Enhanced by Facial Attributes Prediction
West Virginia University(西弗吉尼亚大学)
在本文中,我们提出了一个新的深度框架,预测面部属性,并利用它作为一个软模态,以提高人脸识别性能。我们的模型是一个端到端的框架,它由一个卷积神经网络(CNN)组成,其输出被分成两个独立的分支;第一个分支预测面部属性,而第二个分支识别面部图像。与现有的多任务方法只使用共享的CNN特征空间来联合训练这两个任务相反,我们将预测属性与来自人脸模态的特征相融合,以提高人脸识别性能。实验结果表明,我们的模型带来的好处,人脸识别以及面部属性的预测性能,特别是在身份的面部属性,如性别预测的情况下。我们在两个由身份和面部属性注释的标准数据集上测试了我们的模型。实验结果表明,该模型优于目前大多数现有的人脸识别和属性预测方法。
2018-04-20 cs.CV
Deep Learning Face Attributes in the Wild
The Chinese University of Hong Kong(香港中文大学)
由于复杂的面部变化,预测野外的面部属性具有挑战性。我们提出了一个新的深度学习框架,用于在野外进行属性预测。它级联了两个CNN,LNet和ANet,它们与属性标签一起微调,但预训练不同。LNet由大量的一般对象类别进行预训练,用于面部定位,而ANet由大量的面部身份进行预训练,用于属性预测。该框架不仅以较大的幅度优于最先进的技术,而且还揭示了学习人脸表征的宝贵事实。(1)它展示了如何通过不同的预训练策略来提高人脸定位(LNet)和属性预测(ANet)的性能。(2)它揭示了尽管LNet的过滤器仅使用图像级属性标签进行微调,但它们在整个图像上的响应图具有很强的面部位置指示。这一事实使得LNet能够仅使用图像级注释来训练人脸定位,但不需要所有属性识别工作所需的人脸边界框或地标。(3)它还表明,ANet的高级隐藏神经元在使用大量人脸身份进行预训练后自动发现语义概念,并且这些概念在使用属性标签进行微调后显着丰富。每个属性都可以很好地解释这些概念的稀疏线性组合。
2015-09-24 cs.CV
Segment-based Methods for Facial Attribute Detection from Partial Faces
University of Maryland, College Park(马里兰大学帕克分校)
最先进的人脸属性检测方法几乎总是假设存在完整的、未被遮挡的人脸。因此,它们的性能降低部分可见和遮挡的脸。在本文中,我们介绍了SPLITFACE,一种基于深度卷积神经网络的方法,该方法被明确设计用于在部分遮挡的人脸中进行属性检测。该方法以多个面部片段和完整的面部作为输入,采用数据驱动的方法来确定哪些属性在哪些面部片段中被定位。网络的独特架构允许每个属性由多个部分预测,这允许实施委员会机器技术,将本地和全局决策相结合,以提高性能。通过访问基于片段的预测,SPLITFACE可以很好地预测那些定位在面部可见部分的属性,而不必依赖于整个面部的存在。我们使用CelebA和LFWA面部属性数据集进行标准评估。我们还修改了这两个数据集,遮挡的脸,使我们可以评估属性检测算法的性能上的部分脸。我们的评估表明,SPLITFACE显着优于其他最近的方法,特别是部分脸。
2018-01-10 cs.CV
A Deep Cascade Network for Unaligned Face Attribute Classification
University of Maryland, College Park(马里兰大学帕克分校);Siemens Healthineers(西门子医疗)
人类在识别人脸属性时会将注意力集中在不同的人脸区域上。现有的人脸属性分类方法大多以整幅图像作为输入。此外,这些方法中的一些依赖于基准界标来提供限定的面部部分。在本文中,我们提出了一个级联网络,同时学习本地化特定于属性的人脸区域,并在没有对齐的情况下进行属性分类。首先,弱监督人脸区域定位网络的设计,自动检测区域(或部分)的属性。然后分别构建多个局部网络和一个整体网络,并通过区域切换层和属性关系层将其组合在一起,最终实现属性分类。进一步提出了多网络学习方法和基于提示的模型压缩,分别得到有效的定位模型和紧凑的分类模型。我们的方法在未对齐的CelebA数据集上实现了比最先进方法更好的性能,将分类错误减少了30.9%。
2017-09-13 cs.CV
Face Attributes as Cues for Deep Face Recognition Understanding
Federal University of Minas Gerais(米纳斯吉拉斯联邦大学)
深度学习表示是人脸识别方法的最新描述符。这些表征编码了难以解释的潜在特征,损害了其预测的可信度和可解释性。大多数解释深层特征的尝试都是可视化技术,这些技术通常是开放的。而不是仅仅依赖于可视化,我们使用隐藏层的输出来预测人脸属性。所获得的性能是在网络的该层中隐式地学习属性的程度的指标。使用变量选择技术,我们还分析了这些语义概念如何分布在每个层中,为每个属性建立相关神经元的精确位置。根据我们的实验,即使只使用单个神经输出来预测每个属性,性别,眼镜和帽子的使用也可以以超过96%的准确率进行预测。这些性能比深度监督人脸属性网络所实现的性能低不到3个百分点。总之,我们的实验表明,在为人脸识别优化的DCNN内部,存在着对人脸属性进行编码的潜在神经元,其准确性几乎与为这些属性优化的DCNN一样。
2021-05-14 cs.CV
ManiCLIP: Multi-Attribute Face Manipulation from Text
Nanyang Technological University(南洋理工大学);ByteDance(字节跳动)
提出了一种基于文本描述的多属性人脸操作方法。以前的基于文本的图像编辑方法要么需要对每个单独的图像进行测试时优化,要么仅限于单个属性编辑。将这些方法扩展到多属性人脸图像编辑场景将引入不期望的过度属性变化,例如,文本相关属性被过度操纵,并且文本无关属性也被改变。为了解决这些挑战并实现多个人脸属性的自然编辑,我们提出了一种新的解耦训练方案,其中我们使用组采样来从相同的属性类别中获取文本片段,而不是整个复杂的句子。此外,为了保留其他现有的人脸属性,我们鼓励模型通过熵约束分别编辑每个属性的潜在代码。在推理阶段,我们的模型能够编辑新的人脸图像,而无需任何测试时优化,即使是复杂的文本提示。我们展示了大量的实验和分析来证明我们的方法的有效性,该方法可以生成自然的操作面,并具有最小的文本无关属性编辑。代码和预训练模型可在https://github.com/hwang1996/ManiCLIP上获得。
2023-03-26 cs.CV
Can GAN-induced Attribute Manipulations Impact Face Recognition?
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院);Michigan State University(密歇根州立大学)
由于年龄、性别、种族等人口因素造成的影响,已经在自动面部识别系统中被广泛研究。然而,\textit{digitally modified}的人口统计和面部属性对人脸识别的影响是相对不足的探索。在这项工作中,我们研究了通过生成对抗网络(GANs)诱导的属性操作对人脸识别性能的影响。我们在CelebA数据集上进行实验,使用AttGAN和STGAN故意修改13个属性,并评估它们对两种基于深度学习的人脸验证方法ArcFace和VGGFace的影响。我们的研究结果表明,一些属性操作,包括眼镜和数字改变的性别线索可以显着损害人脸识别高达73%,需要进一步分析。
2022-09-07 cs.CV
FaceController: Controllable Attribute Editing for Face in the Wild
Baidu(百度)
人脸属性编辑的目的是生成具有一个或多个所需人脸属性的人脸,同时保留其他细节。与之前的工作,如GAN反演,这有一个昂贵的反向映射过程,我们提出了一个简单的前馈网络来生成高保真的操纵面。通过简单地利用一些现有的和容易获得的先验信息,我们的方法可以控制,传输和编辑的各种属性的脸在野外。因此,所提出的方法可以应用于各种应用,如面部交换,面部重新照明,化妆转移。在我们的方法中,我们解耦的身份,表达,姿态和照明使用3D先验;分离纹理和颜色使用区域明智的风格代码。所有信息都通过我们的身份风格规范化模块嵌入到对抗学习中。提出了去纠缠损失,以提高发电机提取信息独立于每个属性。已经进行了全面的定量和定性评价。在一个单一的框架中,我们的方法在各种人脸应用程序中获得了最佳或有竞争力的分数。
2021-02-23 cs.CV
Attribute-controlled face photo synthesis from simple line drawing
University of Electronic Science and Technology of China(电子科技大学)
从简单的线条画合成人脸照片是一个一对多的任务,因为简单的线条画只包含人脸的轮廓。以往的基于样本的方法过于依赖数据集,难以推广到复杂的自然场景。最近,一些作品利用深度神经网络来增加泛化,但是它们仍然受限于用户的可控性。在本文中,我们提出了一个深度生成模型来合成人脸照片从简单的线条画控制的面部属性,如头发的颜色和肤色。为了最大限度地提高人脸属性的可控性,首先引入属性解纠缠变分自动编码器(AD-VAE)来学习关于指定属性解纠缠的潜在表示。然后,我们进行照片合成从简单的线条画的基础上AD-VAE。实验结果表明,该模型能够很好地将人脸照片中的属性变化与其他变化区分开来,并合成出具有所需属性的真实感人脸图像。以背景和光照为风格,以人脸为内容,也可以合成具有风格照片目标风格的人脸照片。
2017-02-09 cs.CV
MAAD-Face: A Massively Annotated Attribute Dataset for Face Images
Fraunhofer Institute for Computer Graphics Research IGD(弗劳恩霍夫计算机图形学研究所);Technical University of Darmstadt(达姆施塔特工业大学)
软生物特征识别技术在人脸识别及相关领域有着重要的作用,因为它可能会导致有偏见的性能,威胁用户的隐私,或者具有商业价值。当前的人脸数据库是专门为人脸识别应用程序的开发而构建的。因此,这些数据库包含大量的人脸图像,但缺乏属性注释的数量和整体注释的正确性。在这项工作中,我们提出了MAADFace,一个新的人脸注释数据库,其特点是大量的高质量的属性注释。MAADFace建立在VGGFace 2数据库上,因此由超过9000个人的330万张面孔组成。使用一种新的注释传输管道,允许从多个源数据集到目标数据集的准确标签传输,MAAD-Face由47个不同的二进制属性的123.9M属性注释组成。因此,它提供的属性标签比CelebA和LFW多15倍和137倍。我们对三个人类评估者的注释质量的调查证明了MAAD-Face注释优于现有数据库。此外,我们利用MAAD-Face的大量高质量注释来研究软生物特征识别的可行性,从而了解哪些属性支持真正的和冒名顶替的决策。MAAD-Face标注数据集是公开可用的。
2021-06-28 cs.CV
Recovering Faces from Portraits with Auxiliary Facial Attributes
Australian National University(澳大利亚国立大学);Data61/CSIRO(Data61/联邦科学与工业研究组织)
从艺术肖像中恢复逼真的面部是一项具有挑战性的任务,因为在艺术作品中,关键的面部细节往往会被扭曲或完全丢失。为了处理这种损失,我们提出了一个属性引导的人脸恢复从肖像(AFRP),利用人脸恢复网络(FRN)和判别网络(DN)。FRN包括一个自动编码器与残留块嵌入跳过连接,并在自动编码器的瓶颈处将面部属性向量纳入到输入肖像的特征图中。DN具有多个卷积层和全连接层,其作用是强制FRN生成真实的面部图像,其对应的面部属性由输入属性向量决定。%利用空间Transformer网络,FRN自动补偿人像的未对准。%,并生成对齐的面部图像。为了保持身份,我们将恢复的和地面真实的面孔强加给他们,以共享相似的视觉特征。具体地,DN确定恢复的图像是否看起来像真实的面部,并检查从恢复的图像中提取的面部属性是否与给定的属性一致。%我们的方法可以从未对齐的肖像中恢复高质量的真实感人脸,同时保留人脸图像的身份,并且可以重建具有所需属性的真实感人脸图像。我们的方法可以从看不见的风格化肖像,艺术绘画和手绘草图中恢复具有所需属性的真实感身份保留人脸。在大规模的合成和草图数据集上,我们证明了我们的人脸恢复方法达到了最先进的结果。
2019-04-07 cs.CV
Learning Residual Images for Face Attribute Manipulation
Fujitsu Research & Development Center(富士通研究开发中心)
人脸属性由于其对人脸的详细描述而非常有趣。与以往的研究工作的属性预测,我们解决了一个逆和更具挑战性的问题,称为人脸属性操作,其目的是根据给定的属性值修改人脸图像。而不是操纵整个图像,我们建议学习相应的残差图像定义为图像之间的差异之前和之后的操作。以这种方式,可以利用适度的像素修改来有效地操作操纵。我们的方法的框架是基于生成对抗网络。它由两个图像变换网络和一个判别网络组成。变换网络负责属性操作及其对偶运算,判别网络用于区分生成的图像和真实图像。我们还应用双重学习来允许转换网络相互学习。实验表明,残差图像可以有效地学习和用于属性操作。生成的图像保留了属性无关区域的大部分细节。
2017-04-12 cs.CV
Multimodal Face Synthesis from Visual Attributes
Whiting School of Engineering, Johns Hopkins University(约翰斯·霍普金斯大学怀廷工程学院)
基于视觉特征的人脸图像合成是计算机视觉和生物特征识别领域的一个重要研究课题,因为它在执法和娱乐方面有着广泛的应用。深度生成网络的最新进展使得从视觉属性合成高质量的人脸图像成为可能。然而,现有的方法是专门设计用于从属性生成单峰图像(即可见人脸)。在本文中,我们提出了一种新的生成对抗网络,同时合成身份保持多模态人脸图像(即可见,素描,热等)。从视觉属性,而不需要在不同的域中的配对数据来训练网络。我们引入了一种新的生成器与多模态拉伸模块,同时合成多模态人脸图像。此外,多模态拉伸模块中引入的鉴别真假图像。大量的实验和比较与几个国家的最先进的方法进行验证所提出的基于属性的多模态综合方法的有效性。
2021-04-09 cs.CV
Face Synthesis from Visual Attributes via Sketch using Conditional VAEs and GANs
Rutgers, The State University of New Jersey(罗格斯大学新泽西州立大学);Rutgers University(罗格斯大学)
从视觉属性自动合成人脸是计算机视觉中的一个重要问题,在执法和娱乐方面有着广泛的应用。随着深度生成卷积神经网络(CNN)的出现,已经尝试从属性和文本描述合成面部图像。在本文中,我们采取了一种不同的方法,我们将原始问题表述为阶段学习问题。首先合成与视觉属性相对应的人脸草图,然后基于合成的草图重建人脸图像。提议的Attribute2Sketch2Face框架基于深度条件变分自编码器(CVAE)和生成对抗网络(GANs)的组合,由三个阶段组成:(1)使用CVAE架构从属性合成面部草图,(2)使用基于GAN的框架增强粗略草图以产生更清晰的草图,以及(3)使用另一个基于GAN的网络从草图合成人脸。通过大量的实验和与现有方法的比较,验证了所提出的基于属性的三阶段人脸合成方法的有效性。
2017-12-30 cs.CV
Controllable Face Aging
受以下两个观察的启发:1)人们在不同的条件下因面部属性的变化而变老,例如,在户外工作时,肤色可能会变得更深,以及2)在衰老过程中需要保持一些不变的面部属性,例如,种族和性别,我们提出了一种可控的人脸老化方法通过属性解纠缠生成对抗网络。为了提供对合成的面部图像的精细控制,首先,从包含期望的面部属性的图像直接学习面部的单独嵌入。其次,由于图像可能包含其他不需要的属性,因此使用属性解纠缠网络来分离个体嵌入并学习包含关于面部属性的信息的公共嵌入(例如,种族)。通过公共嵌入,我们可以以显式的方式使用所需的属性来操作生成的人脸图像。两个常见的基准测试的实验结果表明,我们提出的发电机实现了与国家的最先进的基线老化效果相当的性能,同时获得更多的灵活性属性控制。代码可在补充材料中找到。
2019-12-20 cs.CV
FaceBench: A Multi-View Multi-Level Facial Attribute VQA Dataset for Benchmarking Face Perception MLLMs
Shenzhen University(深圳大学);Tsinghua University(清华大学);The Hong Kong Polytechnic University(香港理工大学);City University of Hong Kong(香港城市大学);Sun Yat-sen University(中山大学)
针对现有MLLMs面部感知评估缺失,构建FaceBench多视角多层次属性VQA数据集,并训练Face-LLaVA基线,实验表明其超越开源模型、媲美商业模型。
2025-03-27 cs.CV
APPLE: Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
KAIST AI(韩国科学技术院人工智能);SAMSUNG(三星)
本文提出APPLE框架,通过条件去模糊和属性感知反向方案提升面部交换中属性保留能力,实现高保真属性与身份转移。
2026-03-30 cs.CV
Zero-shot Face Editing via ID-Attribute Decoupled Inversion
Graduate School and Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学研究生院和信息科学与电气工程学系)
提出基于ID-属性解耦反演的零样本人脸编辑方法,通过分解人脸表示为ID和属性特征作为联合条件,实现独立控制与精确编辑,在保持ID和结构一致性的同时支持复杂多属性编辑。
2025-10-13 cs.CV
Robust RGB-D Face Recognition Using Attribute-Aware Loss
University of Science and Technology of China(中国科学技术大学);Beijing Dilusense Technology Corporation(北京的卢深视科技有限公司);Cardiff University(卡迪夫大学)
现有的基于卷积神经网络(CNN)的人脸识别算法通常使用损失函数来学习区别性特征映射,所述损失函数强制分离来自不同类别的特征和/或聚合同一类别内的特征。然而,它们可能遭受训练数据中的偏差,例如不均匀的采样密度,因为它们优化了所学习的特征的邻近关系,而没有考虑底层面部的邻近性。此外,由于它们仅使用面部图像进行训练,因此学习的特征映射可能无法正确指示其他属性(例如性别和种族)的关系,这对于某些面部识别应用来说可能很重要。在本文中,我们提出了一种新的基于CNN的人脸识别方法,将这些属性纳入训练过程。使用属性感知的损失函数,正则化的特征映射使用属性接近度,我们的方法学习更多的歧视性特征,与属性相关。我们训练我们的人脸识别模型上的大规模RGB-D数据集,在实际应用条件下捕获的身份超过10万。通过与其他方法进行比较,我们证明了深度通道和属性感知损失大大提高了人脸识别的准确性和鲁棒性。
2019-05-17 cs.CV
Polarimetric Thermal to Visible Face Verification via Attribute Preserved Synthesis
Johns Hopkins University(约翰斯·霍普金斯大学);Rutgers University(罗格斯大学)
热可见人脸验证是一个具有挑战性的问题,由于模态之间的大域差异。现有的方法要么试图从热面孔合成可见面孔,要么从这些模态中提取鲁棒的特征进行跨模态匹配。在本文中,我们采取了不同的方法,我们利用从可见光图像中提取的属性合成的属性保留的可见光图像从输入的热图像进行跨模态匹配。一个预先训练的VGG-Face网络用于从可见图像中提取属性。然后,提出了一种新的属性保持生成对抗网络(AP-GAN)的热图像合成的可见光图像的引导下提取的属性。最后,使用深度网络从合成图像和输入可见光图像中提取特征以进行验证。在ARL偏振人脸数据集上的实验表明,该方法与现有方法相比具有显著的改进效果。
2019-01-03 cs.CV
The Good, the Better, and the Best: Improving the Discriminability of Face Embeddings through Attribute-aware Learning
University of Beira Interior(贝拉内里奥大学);IT: Instituto de Telecomunicações(电信研究所);NOVA LINCS;Amadeus
本文提出通过身份标签和相关面部属性指导学习,提升面部嵌入的辨别能力,实验表明使用身份相关属性子集和强制去除非身份相关属性能显著提升性能。
2026-03-16 cs.CV
Mask-aware Photorealistic Face Attribute Manipulation
Shanghai Jiao Tong University(上海交通大学);Carnegie Mellon University(卡内基梅隆大学);Beijing Sensetime Tech. Dev. Co., Ltd(北京商汤科技开发有限公司)
人脸属性操作的任务已经发现越来越多的应用,但仍然具有挑战性的要求,编辑的属性的人脸图像,同时保持其独特的细节。在本文中,我们选择结合变分自动编码器(VAE)和生成对抗网络(GAN)的真实感图像生成。我们提出了一种有效的方法来修改编码器的特征图中的适量像素,不断改变属性强度,而不妨碍全局信息。我们的VAE和GAN的训练目标通过监督人脸识别损失和周期一致性损失来加强,以忠实地保留人脸细节。此外,我们生成了面部面具来加强背景一致性,这使得我们的训练专注于操纵前景人脸而不是背景。实验结果表明,我们的方法,称为面具对抗自动编码器(M-AAE),可以生成高质量的图像与不断变化的属性,并优于以前的方法在细节保护。
2018-04-24 cs.CV
CLIP-FTI: Fine-Grained Face Template Inversion via CLIP-Driven Attribute Conditioning
CLIP-FTI通过CLIP驱动的属性条件化实现细粒度面部模板逆向,提升识别准确性和属性相似性,增强跨模型攻击的可转移性。
2025-12-17 cs.CV
ELEGANT: Exchanging Latent Encodings with GAN for Transferring Multiple Face Attributes
Peking University(北京大学)
近年来,人脸属性迁移的研究取得了很大的成功。许多模型能够将人脸属性与输入图像进行转换。然而,它们遭受三个限制:(1)不能通过样本生成图像;(2)不能同时传输多个人脸属性;(3)生成的图像质量低,例如低分辨率或伪影。为了解决这些限制,我们提出了一种新的模型,它接收两个图像的相反属性作为输入。我们的模型可以完全相同类型的属性从一个图像到另一个通过交换它们的编码的某些部分。所有的属性都以一种非纠缠的方式编码在潜在空间中,这使得我们能够同时操纵多个属性。此外,我们的模型学习残差图像,以便在更高分辨率的图像上进行训练。在对抗训练的多尺度鉴别器的帮助下,它甚至可以生成具有更精细细节和更少伪影的高质量图像。我们证明了我们的模型的有效性,克服上述三个限制,通过与其他方法的CelebA人脸数据库进行比较。pytorch的实现可以在https://github.com/Prinsphield/ELEGANT上找到。
2018-07-25 cs.CV
3D FaceShell: Attribute Transfer in 3D Face Avatars as a VLM Defense Mechanism
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对VLM可从3D人脸渲染图像提取敏感属性的隐私挑战,提出3D FaceShell框架,通过可学习高斯壳产生扰动,在保持面部外观的同时引导VLM语义解释,实验证明其能有效提高属性注入和不匹配率。
2026-07-21 cs.CV
Faces à la Carte: Text-to-Face Generation via Attribute Disentanglement
The University of Queensland(昆士兰大学)
文本到人脸(TTF)合成是一项具有挑战性的任务,在各种计算机视觉应用中具有巨大的潜力。由于人脸属性的多样性和高维抽象自然语言的解析,人脸的文本描述比文本到图像(TTI)合成任务更加复杂和详细。在本文中,我们提出了一个文本到人脸模型,不仅产生高分辨率(1024 x1024)的图像与文本到图像的一致性,但也输出多个不同的脸,以覆盖范围广泛的非指定的面部特征,以自然的方式。通过对多标签分类器和图像编码器进行微调,我们的模型获得了用于对从正态分布中采样的输入噪声向量进行变换的向量和图像嵌入。然后,将变换后的噪声向量馈送到预先训练的高分辨率图像生成器中,以生成具有所需面部属性的一组面部。我们将我们的模型称为TTF-HD。实验结果表明,TTF-HD生成高质量的人脸与国家的最先进的性能。
2020-09-18 cs.CV
A3GAN: An Attribute-aware Attentive Generative Adversarial Network for Face Aging
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
人脸老化是一个以预测人脸未来外观为目的的研究领域,近年来受到了广泛的关注。虽然随着生成对抗网络(GANs)在合成逼真图像方面的成功取得了很大进展,但大多数现有的基于GAN的人脸老化方法都存在两个主要问题:1)高层语义信息的不自然变化(例如面部属性)由于对输入面部的先验知识的利用不足,以及2)低级图像内容的失真,包括重影伪像和年龄无关区域中的修改。在本文中,我们引入A3GAN,属性感知的注意人脸老化模型来解决上述问题。人脸属性向量被视为条件信息,并嵌入到生成器和SVM,鼓励合成的脸是忠实于相应的输入属性。为了提高生成结果的视觉保真度,我们利用注意力机制来限制对与年龄相关的区域的修改并保留图像细节。此外,小波包变换被用来捕捉纹理特征在多个尺度上的频率空间。大量的实验结果表明,我们的模型在合成照片级真实感的老化人脸图像和流行的人脸老化数据集上实现最先进的性能的有效性。
2019-11-15 cs.CV
Facial Attribute Capsules for Noise Face Super Resolution
Xidian University(西安电子科技大学);Tencent AI Lab(腾讯人工智能实验室)
现有的人脸超分辨率(SR)方法主要假设输入图像是无噪声的。当应用于输入图像总是被噪声污染的真实场景时,它们的性能急剧下降。本文提出了一种人脸属性胶囊网络(FACN)来解决含噪人脸图像的高尺度超分辨率问题。胶囊是一组神经元,其活动向量模拟同一实体的不同属性。受胶囊概念的启发,本文提出了一种人脸信息的综合表示模型--人脸属性胶囊(Facial Attribute Capsule,FAC)。在SR处理中,我们首先从输入LR脸生成一组FACs,然后从这组FACs重建HR脸。为了有效地提高FAC对噪声的鲁棒性,本文采用综合学习策略,从语义、概率和人脸属性三个方面生成FAC。每个FAC可以分为两个子胶囊:语义胶囊(SC)和概率胶囊(PC)。它们从语义表示和概率分布两个方面详细描述了一个显式的人脸属性。这组FACs通过属性分解的方式将图像建模为语义空间和概率空间中的面部属性信息的组合。不同的FACs可以更好地结合人脸先验信息,生成具有细粒度语义属性的人脸图像。大量的基准实验表明,我们的方法实现了优越的幻觉效果,并优于国家的最先进的非常低分辨率(LR)噪声的人脸图像超分辨率。
2020-02-16 cs.CV
Towards Open-Set Identity Preserving Face Synthesis
University of Science and Technology of China(中国科学技术大学);Microsoft Research(微软研究院)
我们提出了一个基于生成对抗网络的框架来解开人脸的身份和属性,这样我们就可以方便地重新组合不同的身份和属性,在开放域中的身份保持人脸合成。以前的身份保持人脸合成过程在很大程度上局限于合成已经在训练数据集中的已知身份的人脸。为了合成具有训练数据集之外的身份的面部,我们的框架需要该主体的一个输入图像来产生身份向量,并且需要任何其他输入面部图像来提取捕获的属性向量,例如,姿势、情感、照明,甚至背景。然后,我们重新组合的身份向量和属性向量合成一个新的面孔的主题与提取的属性。我们提出的框架不需要以任何方式注释面部的属性。它使用非对称损失函数进行训练,以更好地保持身份并稳定训练过程。它还可以有效地利用大量未标记的训练人脸图像,以进一步提高未在标记的训练人脸数据集中呈现的对象的合成人脸的保真度。我们的实验证明了所提出的框架的有效性。我们还介绍了它在更广泛的应用中的使用,包括人脸正面化,人脸属性变形和人脸对抗性示例检测。
2018-08-09 cs.CV
Attribute-Centered Loss for Soft-Biometrics Guided Face Sketch-Photo Recognition
West Virginia University(西弗吉尼亚大学)
面部草图能够捕捉面部的空间拓扑,同时缺少一些面部属性,如种族、皮肤或头发颜色。现有的素描照片识别方法大多忽略了面部属性的重要性。在本文中,我们提出了一个新的损失函数,称为属性中心损失,训练深度耦合卷积神经网络(DCCNN)的面部属性引导草图照片匹配。具体来说,提出了一种以属性为中心的损失,它在共享的嵌入空间中学习几个不同的中心,用于具有不同属性组合的照片和草图。DCCNN同时被训练成围绕其关联中心映射照片和成对的已证实属性以及相应的法医草图,同时保留空间拓扑信息。重要的是,这些中心学会了彼此保持相对距离,这与它们相互矛盾的属性的数量有关。复合(E-PRIP)和半法医(IIIT-D半法医)数据库进行了广泛的实验。所提出的方法显着优于最先进的。
2018-04-09 cs.CV
High Diversity Attribute Guided Face Generation with GANs
Intel(英特尔)
在这项工作中,我们专注于基于GAN的解决方案,用于属性引导的人脸合成。以前的作品利用GANs来生成照片级逼真的人脸图像,并且没有注意到所生成图像的多样性问题。所提出的解决方案又引入了单位复数的新潜在空间,能够提供比训练数据集的大小高3倍的“生日悖论”分数的多样性。需要强调的是,我们的结果是在相对较小的数据集上显示的(20k样本vs 200k样本),同时在显着更高的分辨率上保留了生成的人脸的照片般逼真的特性(128x128,而以前的作品为32x32)。
2018-06-28 cs.CV
CAFE-GAN: Arbitrary Face Attribute Editing with Complementary Attention Feature
Korea University(高丽大学);Army Research Laboratory(陆军研究实验室)
人脸属性编辑的目标是根据给定的目标属性(如头发颜色、胡子、性别等)对人脸图像进行修改。它属于图像到图像的域转移问题,其中一组属性被视为一个独特的域。在多域传输问题中,已经有一些工作集中在使用生成对抗网络(GAN)的面部属性编辑上。这些方法已经取得了一些成功,但它们也会导致面部区域的意外变化-这意味着生成器会改变与指定属性无关的区域。为了解决这一问题,我们提出了一种新的GAN模型,该模型旨在通过补充注意力特征(CAFE)的概念来编辑与目标属性相关的人脸部分。CAFE通过考虑目标属性以及互补属性来识别待变换的面部区域,我们将互补属性定义为输入面部图像中不存在的那些属性。此外,我们引入了一个互补的特征匹配,以帮助训练的生成器,利用属性的空间信息。通过与现有方法的分析比较,证明了该方法的有效性。
2020-11-24 cs.CV
SD-GAN: Semantic Decomposition for Face Image Synthesis with Discrete Attribute
University of Science and Technology Beijing(北京科技大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
在用于面部图像合成的生成对抗网络(GANs)中操纵潜在代码主要集中在连续属性合成(例如,年龄、姿势和情绪),而离散属性合成(如面具和眼镜)受到较少关注。直接将现有的工作应用于面部离散属性可能会导致不准确的结果。在这项工作中,我们提出了一个创新的框架,通过语义分解来解决具有挑战性的面部离散属性合成,称为SD-GAN。具体而言,我们明确地将离散属性表示分解为两个部分,即语义先验基础和偏移潜在表示。语义先验基础为在潜在空间中操作人脸表征提供了初始化方向。提出了利用三维感知语义融合网络获得的偏移潜在表示来调整先验基。此外,融合网络集成了3D嵌入,以更好地保持身份和离散属性合成。先验基和偏移潜在表示的结合使我们的方法能够合成具有离散属性的照片级真实感人脸图像。值得注意的是,我们构建了一个大型且有价值的数据集MEGN(从Google和Naver抓取的面罩和眼镜图像),以弥补现有数据集中缺乏离散属性的问题。大量的定性和定量实验证明了我们的方法的最先进的性能。我们的代码可在https://github.com/MontaEllis/SD-GAN上获取。
2022-07-12 cs.CV
Jointly De-biasing Face Recognition and Demographic Attribute Estimation
Michigan State University(密歇根州立大学)
我们解决了自动人脸识别和人口统计属性估计算法中的偏差问题,其中属于特定人口统计群体的某些队列的错误较低。我们提出了一种新的去偏置对抗网络(DebFace),它学习提取无偏人脸识别和人口统计估计的解纠缠特征表示。该网络由一个身份分类器和三个人口统计分类器(性别,年龄和种族)组成,它们分别经过训练以区分身份和人口统计属性。采用对抗学习的方法,最大限度地减少特征因子之间的相关性,以减少其他因素的偏差影响。我们还设计了一个新的计划,人口统计与身份特征相结合,以加强在不同的人口统计群体的人脸表示的鲁棒性。实验结果表明,我们的方法是能够减少偏见的人脸识别以及人口统计估计,同时实现国家的最先进的性能。
2020-07-31 cs.CV
GuidedStyle: Attribute Knowledge Guided Style Manipulation for Semantic Face Editing
Shenzhen University(深圳大学)
虽然无条件生成对抗网络(GANs)在合成高质量和视觉逼真的人脸图像方面取得了重大进展,但仍然缺乏对生成过程的控制,以实现语义人脸编辑。此外,在编辑目标属性时保持其他人脸信息不变仍然是非常具有挑战性的。在本文中,我们提出了一个新的学习框架,称为GuidedStyle,通过用知识网络指导图像生成过程,在StyleGAN上实现语义人脸编辑。此外,我们允许在StyleGAN生成器中的注意力机制自适应地选择单个层进行样式操作。因此,我们的方法能够沿着各种属性执行分离和可控的编辑,包括微笑,眼镜,性别,胡子和头发颜色。定性和定量的结果表明,我们的方法优于其他竞争方法的语义人脸编辑。此外,我们表明,我们的模型也可以应用于不同类型的真实和艺术的人脸编辑,表现出很强的泛化能力。
2020-12-22 cs.CV
How are attributes expressed in face DCNNs?
University of Maryland, College Park(马里兰大学帕克分校);National Institute of Standards and Technology(美国国家标准与技术研究院)
随着深度网络在识别人脸方面变得越来越准确,了解这些网络如何处理人脸至关重要。虽然这些网络仅被训练用于识别身份,但它们也包含与面部相关的信息,例如性别,年龄和面部姿势。网络没有经过训练来学习这些属性。我们引入表现力作为特征向量向我们提供关于属性的信息的度量,其中特征向量可以来自网络的内部或最终层。表达率由第二个神经网络计算,其输入是特征和属性。第二神经网络的输出近似特征向量和属性之间的互信息。我们研究了两种不同的深度卷积神经网络(DCNN)架构的表达能力:Resnet-101和Inception Resnet v2。在网络的最后一个完全连接的层中,我们发现面部属性的表现力顺序是年龄>性别>偏航。此外,我们研究了在训练迭代中面部属性编码的变化。我们发现,随着训练的进行,偏航,性别和年龄的表达减少。我们的技术可以成为一种工具,用于调查网络中的偏见来源,并向解释网络的身份决策迈出了一步。
2019-10-12 cs.CV
Attribute-Guided Deep Polarimetric Thermal-to-visible Face Recognition
West Virginia University(西弗吉尼亚大学)
在本文中,我们提出了一个属性引导的深度耦合学习框架,以解决将偏振热人脸照片与可见人脸库进行匹配的问题。耦合框架包含两个子网络,一个专用于可见光谱,第二子网络专用于偏振热光谱。每个子网络由生成对抗网络(GAN)架构组成。提出了一种新的属性引导耦合生成对抗网络(AGC-GAN)结构,利用人脸属性来提高热-可见人脸识别性能。所提出的AGC-GAN利用面部属性,并利用多个损失函数,以便在一个共同的嵌入子空间中学习丰富的判别特征。为了在保留鉴别信息的同时实现逼真的照片重建,我们还将感知损失项添加到耦合损失函数中。进行烧蚀研究以显示不同损失函数对于优化所提出的方法的有效性。此外,该模型的优越性相比,国家的最先进的模型证明使用极化数据集。
2019-07-27 cs.CV
Mitigating the Impact of Attribute Editing on Face Recognition
New York University(纽约大学)
本研究发现现代生成式AI的人脸属性编辑会损害人脸识别性能,提出局部与全局属性编辑新技术,在多数据集上验证其优于现有方法且显著提升身份保留效果。
2024-04-09 cs.CV
Face Attribute Invertion
School of Information and Communication Engineering, University of Electronic Science and Technology of China(电子科技大学信息与通信工程学院)
在两个域之间操作人脸图像是一个重要而有趣的问题。大多数现有的方法通过应用两个生成器或具有额外条件输入的一个生成器来解决这个问题。本文提出了一种基于GANs的自感知人脸属性自动反演方法。该方法以人脸图像为输入,只使用一个单一的生成器,而不受其他输入的条件。由于采用了多重损失策略和改进的U网结构,该模型在训练过程中非常稳定,并且能够保留原始人脸图像的细节。
2020-01-14 cs.CV