精选论文 | 人脸图像合成【附打包下载】

关注文章公众号 回复"SFFAI29论文"获取本主题精选论文

论文推荐

最近，人脸图像合成技术越来越受到社会各界的关注。人脸图像合成技术不仅可以实现“换脸”、“人脸编辑”等娱乐效果，而且能够有效提高人脸识别等技术的性能。今天，两位主讲嘉宾为大家精选了人脸图像合成中的几篇代表性的工作，和大家一起学习分享最新的研究进展。

你可以认真阅读，来现场和讲者面对面交流哦。

1

推荐理由：本文提出了PGGAN模型，并首次成功合成了视觉效果极为逼真的超高分辨率人脸图像。PGGAN的核心思想在于逐级生成图像，在训练过程中合成图像分辨率不断提高。模型中的生成器和判别器从生成4*4的图像开始，逐渐增加网络复杂度来适应更高的分辨率，最终达到1024*1024的图像生成。此外，本文提出了一个大规模的高清人脸数据库（CelebA-HQ），有效地解决了高清生成中的数据问题。

推荐理由来自：曹杰

2

推荐理由：本文提出了pix2pixHD，是对pix2pix进行改进从而支持生成高清的街景图像和人脸图像，最高分辨率可达2048*1024。文中提出了一种双阶段的训练方法并且通过实验证明两阶段的训练方式地大幅度地提高生成图像的质量。此外，文中还对生成网络的结构进行了进一步的扩展，支持交互式的条件图像生成。

推荐理由来自：曹杰

3

推荐理由：本文提出了一种可生成不同风格高清图像的生成式对抗网络，StyleGAN。主要的贡献在于设计了一种新颖的网络结构，让条件控制信息能够更顺利地表达高层语义特征，显著地提升当前条件生成式生成的最高水平。

推荐理由来自：曹杰

4

推荐理由：这是北航在CVPR2018上提出的基于金字塔GAN的年龄转换模型，效果十分惊艳，并提出了你那里估计、人脸验证等评估标准。在这之前的人脸年龄转换还只能实现局部人脸的转换，这篇文章首次实现了全脸的年龄转换，包括发际线的转换，极大推动了年龄生成的研究。如图1所示，第一列是输入的30岁以下的人脸图片，右侧三列依次是转换后的31-40,41-50以及50+的人脸图片，可以看出随着年龄的增长，头发逐渐变白，皱纹出现并逐渐加深，符合人类的认知。

Figure 1. 人脸年龄转换效果

Figure 2. 网络结构

推荐理由来自：李佩佩

5

推荐理由：Code：https://face-aging.github.io/RL-VAP/

这篇文章发表于CVPR2019，首次实现视频人脸年龄转换，并提出了新的年龄图像数据库以及年龄视频数据库，目前图像数据库已经公开，而视频数据库尚未公开。该方法在传统的基于图像的人脸老化基础上，加入了a) 时序信息（由于是视频生成），b）使用了强化学习搜索最近邻，来辅助人脸老化。

Figure 3. 视频人脸年龄转换效果图。第四行是该方法生成的结果。

Figure 4. 网络结构。

推荐理由来自：李佩佩

6

推荐理由： 这是近期放在Arxiv上的文章，效果相当惊艳，可以实现1024*1024分辨率的人脸姿态转换，并提出了一个高质量的人脸姿态数据库(6000*4000)，这是目前人脸姿态转换里分辨率最高的生成结果与数据库。此外，文章提出了使用scratch图片来指导人脸姿态选择，可以实现姿态与表情同时变换，且生成了很好的细节。

Figure 5. 大图是生成的正脸/侧脸图，小图是输入的图片

Figure 6. 网络结构

推荐理由来自：李佩佩