L2M-GAN如何学习操控潜在空间语义以实现面部属性编辑？
- 内容介绍
- 文章标签
- 相关推荐
本文共计554个文字，预计阅读时间需要3分钟。
L2M-GAN：学习操控潜在空间语义进行面部属性编辑
2021 CVPR
L2M-GAN：学习操控潜在空间语义进行面部属性编辑（thecvf.com）（个人理解，欢迎指正错误）引言 L2M-GAN: Learning to Manipulate Latent Space Semanticsfor 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。
本文共计554个文字，预计阅读时间需要3分钟。
L2M-GAN：学习操控潜在空间语义进行面部属性编辑
2021 CVPR
L2M-GAN：学习操控潜在空间语义进行面部属性编辑（thecvf.com）（个人理解，欢迎指正错误）引言 L2M-GAN: Learning to Manipulate Latent Space Semanticsfor 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。