当前位置 : 主页 > 编程语言 > 其它开发 >

L2M

来源:互联网 收集:自由互联 发布时间:2022-05-22
L2M-GAN: Learning to Manipulate Latent Space Semanticsfor Facial Attribute Editing2021 CVPR L2M-GAN: Learning To Manipulate Latent Space Semantics for Facial Attribute Editing (thecvf.com)(个人理解,欢迎指正错误)Introduction 本
L2M-GAN: Learning to Manipulate Latent Space Semantics for Facial Attribute Editing 2021 CVPR  L2M-GAN: Learning To Manipulate Latent Space Semantics for Facial Attribute Editing (thecvf.com) (个人理解,欢迎指正错误)   Introduction   本文是一篇面部属性编辑的文章,虽然与人脸匿名是两个角度,但是任务是相通的。

 

  面部属性编辑有两点要求:1、目标属性特征应当正确出现在编辑后的人脸上;2、任何不相关的面部特征均不应当在编辑后被修改。针对以上两点要求,面部属性编辑的解决方案有两类:1、空间感知;2、潜在空间的因子分解。空间感知假设被编辑特征有良好的局部性,但对于诸如性别、年龄等全局特征效果不好。潜在空间的因子分解旨在探索一个已经训练好的GAN模型的潜在空间,将其分解为与不同属性相关的部分。但这种策略不是端到端的训练,容易陷入局部最优解。 文章的L2M-GAN以一种端到端的方式实现了对潜在空间的任意特征的正交化拆解。

Methodology

  文中并未提过网络细节,源代码也未公开训练代码,通过前项传播的evaluate过程汇总出如下网络细节,仅供参考。

 

 

 

 

 

PersonalOpinions

  本文的特征解耦网络style transformer结构简单直观,用正交作损失进行优化,效果良好。人脸中的特征相互关联,尤其是一些全局特征,如年龄,身份,性别等无法通过空间感知进行特征分割,L2M-GAN为复杂全局特征的分割提供了一条可行路径,实现了编辑目标属性特征的同时,任何不相关的特征均不应当被明显修改。

 

 

 

  

网友评论