論文の概要: Face Swapping as A Simple Arithmetic Operation

• arxiv url: http://arxiv.org/abs/2211.10812v1
• Date: Sat, 19 Nov 2022 22:23:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 17:53:00.986172
• Title: Face Swapping as A Simple Arithmetic Operation
• Title（参考訳）: 簡単な算術操作としての顔スワッピング
• Authors: Truong Vu, Kien Do, Khang Nguyen, Khoat Than
• Abstract要約: 我々は"Arithmetic Face Swapping"(AFS)と呼ばれる新しい高忠実顔交換法を提案する。 我々は、潜伏したコードを"スタイル"コードにマッピングするニューラルネットワークを学習することで、アイデンティティスタイルの絡み合いを実装します。 このネットワークの条件は、理論的に元顔のID保存を保証します。
• 参考スコア（独自算出の注目度）: 9.233407096706744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel high-fidelity face swapping method called "Arithmetic Face Swapping" (AFS) that explicitly disentangles the intermediate latent space W+ of a pretrained StyleGAN into the "identity" and "style" subspaces so that a latent code in W+ is the sum of an "identity" code and a "style" code in the corresponding subspaces. Via our disentanglement, face swapping (FS) can be regarded as a simple arithmetic operation in W+, i.e., the summation of a source "identity" code and a target "style" code. This makes AFS more intuitive and elegant than other FS methods. In addition, our method can generalize over the standard face swapping to support other interesting operations, e.g., combining the identity of one source with styles of multiple targets and vice versa. We implement our identity-style disentanglement by learning a neural network that maps a latent code to a "style" code. We provide a condition for this network which theoretically guarantees identity preservation of the source face even after a sequence of face swapping operations. Extensive experiments demonstrate the advantage of our method over state-of-the-art FS methods in producing high-quality swapped faces.
• Abstract（参考訳）: 本稿では,事前学習されたスタイルガンの中間的潜在空間 w+ を "identity" と "style" の部分空間に明示的に分離し,w+ の潜在コードを "identity" コードと対応する部分空間内の "style" コードの和とする,"arithmetic face swapping" (afs) と呼ばれる新しい高忠実な顔スワップ法を提案する。 我々の非絡み合いのため、顔スワッピング(FS)はW+の単純な算術演算、すなわちソースの「同一性」コードとターゲットの「スタイル」コードの和と見なすことができる。 これにより、AFSは他のFSメソッドよりも直感的でエレガントになる。 さらに,本手法は,他の興味深い操作,例えば1つのソースの同一性と複数のターゲットのスタイルの組み合わせをサポートするために,標準的な顔交換を一般化することができる。 潜在コードから"スタイル"コードにマップするニューラルネットワークを学習することで、idスタイルの絡み合いを実装します。 顔交換操作のシーケンスを経ても、ソースフェイスのアイデンティティ保存を理論的に保証するネットワークの条件を提供する。 大規模な実験により, 高品質なスワップ面の創出において, 最先端FS法よりも優れた方法が示された。

関連論文リスト

• OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
  拡散モデルは、顔の修復において顕著な性能を示した。 顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。 その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-26T07:07:48Z)
• High-Fidelity Face Swapping with Style Blending [16.024260677867076]
  高忠実な顔交換のための革新的なエンドツーエンドフレームワークを提案する。 まず、スタイルGANベースの顔属性エンコーダを導入し、顔から重要な特徴を抽出し、潜在スタイルコードに変換する。 第二に、ターゲットからターゲットへFace IDを効果的に転送するアテンションベースのスタイルブレンディングモジュールを導入する。
  論文  参考訳（メタデータ） (2023-12-17T23:22:37Z)
• StyleSwap: Style-Based Generator Empowers Robust Face Swapping [90.05775519962303]
  StyleSwapという簡潔で効果的なフレームワークを紹介します。 私たちの中核となる考え方は、スタイルベースのジェネレータを活用して、高忠実で堅牢な顔交換を可能にすることです。 最小限の変更だけで、StyleGAN2アーキテクチャはソースとターゲットの両方から望まれる情報をうまく処理できる。
  論文  参考訳（メタデータ） (2022-09-27T16:35:16Z)
• Learning Disentangled Representation for One-shot Progressive Face Swapping [65.98684203654908]
  ジェネレーティブ・アドバーサリアル・ネットワークに基づくワンショット・フェイススワップのためのシンプルで効率的なFaceSwapperを提案する。 提案手法は,不整合表現モジュールと意味誘導融合モジュールから構成される。 その結果,本手法は,トレーニングサンプルの少ないベンチマークで最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-24T11:19:04Z)
• Styleverse: Towards Identity Stylization across Heterogeneous Domains [70.13327076710269]
  異種ドメイン間のIDS(IDentity Stylization)という課題を提案する。 有効な異種ネットワークベースのフレームワークである$Styleverse$を使用し、単一のドメイン認識ジェネレータを使用します。 $Styleverseは、他の最先端の方法と比較して、より忠実なアイデンティティスタイリングを実現する。
  論文  参考訳（メタデータ） (2022-03-02T04:23:01Z)
• SimSwap: An Efficient Framework For High Fidelity Face Swapping [43.59969679039686]
  我々は,汎用的で忠実な顔交換を目的とした,Simple Swap (SimSwap) と呼ばれる効率的なフレームワークを提案する。 本フレームワークでは,対象顔の属性を保存しながら,任意の元顔の同一性を任意の対象顔に転送することができる。 我々のSimSwapは、従来の最先端手法よりも優れた属性を保ちながら、競争力のあるアイデンティティ性能を達成することができることを示した。
  論文  参考訳（メタデータ） (2021-06-11T12:23:10Z)
• 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)
• SuperFront: From Low-resolution to High-resolution Frontal Face Synthesis [65.35922024067551]
  本稿では,前頭前頭部を保存した高品質なアイデンティティを生成できるGANモデルを提案する。 具体的には,高分解能(HR)面を1対多のLR面から様々なポーズで合成するSuperFront-GANを提案する。 超高解像度のサイドビューモジュールをSF-GANに統合し、人事空間におけるアイデンティティ情報とサイドビューの詳細を保存します。
  論文  参考訳（メタデータ） (2020-12-07T23:30:28Z)

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。