論文の概要: High-Fidelity and Arbitrary Face Editing

• arxiv url: http://arxiv.org/abs/2103.15814v1
• Date: Mon, 29 Mar 2021 17:59:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 16:32:20.296781
• Title: High-Fidelity and Arbitrary Face Editing
• Title（参考訳）: 高忠実・任意顔編集
• Authors: Yue Gao, Fangyun Wei, Jianmin Bao, Shuyang Gu, Dong Chen, Fang Wen, Zhouhui Lian
• Abstract要約: サイクル一貫性は顔編集に広く使われている。 HifaFaceというシンプルで効果的な方法を提案します。 提案するフレームワークを利用して,高精度かつ任意の顔編集を実現する。
• 参考スコア（独自算出の注目度）: 46.40847958602942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cycle consistency is widely used for face editing. However, we observe that the generator tends to find a tricky way to hide information from the original image to satisfy the constraint of cycle consistency, making it impossible to maintain the rich details (e.g., wrinkles and moles) of non-editing areas. In this work, we propose a simple yet effective method named HifaFace to address the above-mentioned problem from two perspectives. First, we relieve the pressure of the generator to synthesize rich details by directly feeding the high-frequency information of the input image into the end of the generator. Second, we adopt an additional discriminator to encourage the generator to synthesize rich details. Specifically, we apply wavelet transformation to transform the image into multi-frequency domains, among which the high-frequency parts can be used to recover the rich details. We also notice that a fine-grained and wider-range control for the attribute is of great importance for face editing. To achieve this goal, we propose a novel attribute regression loss. Powered by the proposed framework, we achieve high-fidelity and arbitrary face editing, outperforming other state-of-the-art approaches.
• Abstract（参考訳）: サイクル一貫性は顔編集に広く使われている。 しかしながら、生成元は、サイクル一貫性の制約を満たすために元の画像から情報を隠蔽するトリッキーな方法を見つける傾向にあり、非編集領域のリッチな詳細(例えば、しわやほこり)を維持することは不可能である。 本研究では,2つの視点から,上述の問題に対処するシンプルで効果的なHifaFaceを提案する。 まず,入力画像の高周波情報を直接生成器の端部に供給することにより,生成器の圧力を和らげてリッチな細部を合成する。 第2に、生成元がリッチな詳細を合成するように促すために、追加の識別器を採用する。 具体的には、ウェーブレット変換を適用して、画像を多周波数領域に変換する。 また,その属性の細粒度で広い範囲の制御が顔編集において非常に重要であることも認識した。 この目標を達成するために,新しい属性回帰損失を提案する。 提案するフレームワークにより,高忠実度で任意の顔編集を実現し,他の最先端のアプローチよりも優れています。

関連論文リスト

• CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using Score-Based Diffusion Models [57.9771859175664]
  最近の生成優先法は、有望なブラインドフェイス修復性能を示している。 入力に忠実なきめ細かい顔の詳細を生成することは、依然として難しい問題である。 本稿では,VQGANアーキテクチャの内部に拡散型プライマーを導入し,非破壊な潜伏埋め込みにおける分布の学習に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-08T23:51:49Z)
• SARGAN: Spatial Attention-based Residuals for Facial Expression Manipulation [1.7056768055368383]
  本稿では,3つの視点から制限に対処するSARGANという新しい手法を提案する。 我々は対称エンコーダ・デコーダネットワークを利用して顔の特徴に複数スケールで対応した。 提案手法は最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-03-30T08:15:18Z)
• Gradient Adjusting Networks for Domain Inversion [82.72289618025084]
  StyleGAN2はセマンティック編集をサポートする強力な画像生成エンジンであることが実証された。 本稿では,画像毎の最適化手法を提案する。この手法は,生成元の重みを局所的に編集できるように,StyleGAN2ジェネレータをチューニングする。 我々の実験は、この非常にアクティブな領域における最先端技術よりも大きなパフォーマンス差を示している。
  論文  参考訳（メタデータ） (2023-02-22T14:47:57Z)
• High-resolution Face Swapping via Latent Semantics Disentanglement [50.23624681222619]
  本稿では,事前学習したGANモデルの事前知識を用いた,新しい高分解能幻覚顔交換法を提案する。 我々は、ジェネレータの進行的な性質を利用して、潜在意味論を明示的に解き放つ。 我々は,2時間制約を潜時空間と画像空間に課すことにより,映像面スワップに拡張する。
  論文  参考訳（メタデータ） (2022-03-30T00:33:08Z)
• Identity-Guided Face Generation with Multi-modal Contour Conditions [15.84849740726513]
  本稿では、輪郭と、入力として同一性を指定する余分な画像を取得するフレームワークを提案する。 アイデンティティエンコーダは、主エンコーダを伴ってアイデンティティ関連特徴を抽出し、粗い輪郭情報を得る。 提案手法は1024$times$1024の解像度で写真リアルな結果が得られる。
  論文  参考訳（メタデータ） (2021-10-10T17:08:22Z)
• High-Fidelity GAN Inversion for Image Attribute Editing [61.966946442222735]
  本稿では,画像固有の詳細をよく保存した属性編集を可能にする,GAN(High-fidelity Generative Adversarial Network)インバージョンフレームワークを提案する。 低ビットレートの遅延符号では、再構成された画像や編集された画像の高忠実度の詳細を保存することは困難である。 高忠実度復元のための基準として歪みマップを用いる歪みコンサルテーション手法を提案する。
  論文  参考訳（メタデータ） (2021-09-14T11:23:48Z)
• Pivotal Tuning for Latent-based Editing of Real Images [40.22151052441958]
  事前訓練されたStyleGANの生成力を利用する高度な顔編集技術が提案されている。 このような方法で画像の編集を成功させるためには、最初に訓練済みのジェネレータのドメインに画像を投影(あるいは反転)する必要がある。 これは、ジェネレータの領域外にある顔に対して、ID保存の顔潜時空間編集を適用することは依然として困難であることを意味する。
  論文  参考訳（メタデータ） (2021-06-10T13:47:59Z)
• FaceController: Controllable Attribute Editing for Face in the Wild [74.56117807309576]
  単純なフィードフォワードネットワークを提案し、高忠実度な顔を生成する。 本手法では,既存かつ容易に把握可能な事前情報を利用することで,野生の多様な顔属性の制御,転送,編集を行うことができる。 本手法では,3Dプリミティブを用いてアイデンティティ,表現,ポーズ,イルミネーションを分離し,地域別スタイルコードを用いてテクスチャとカラーを分離する。
  論文  参考訳（メタデータ） (2021-02-23T02:47:28Z)
• Face Attribute Invertion [0.0]
  本稿では,自動顔属性逆解析のためのGANに基づく新しい自己認識手法を提案する。 我々のモデルは訓練において非常に安定しており、元の顔画像の細部を保存できる。
  論文  参考訳（メタデータ） (2020-01-14T08:41:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。