10倍配资公司我们利用生成对抗模型隐空间的解耦特性

近期，国际计算机视觉与模式识别会议CVPR 2022在美国新奥尔良举行，并同步进行线上会议。由王君乐博士带领的腾讯Turing Lab实验室提交的论文《High-resolution Face Swapping via Latent Semantics Disentanglement》（基于隐语义解耦的高分辨率换脸）成功入选。

论文由腾讯Turing Lab与华南理工大学、卡迪夫大学及中国香港大学合作完成。接下来，我们将为大家解读论文的核心成果，一起来学习计算机视觉领域的最前沿研究吧！

基于隐语义解耦的高分辨率换脸

High-resolution Face Swapping via Latent Semantics Disentanglement

在换脸任务中，我们需要针对给定的源脸和目标脸，将源脸的身份信息迁移至目标脸上，并同时保持目标脸的属性信息。该技术近年来获得大量关注的，并在互动娱乐、广电、安全与隐私保护等领域均展现出较大的应用潜力。

这篇论文提出了一种新的、基于预训练GAN模型中内在先验知识的换脸方法，实现了高分辨率（1024X1024）换脸。该方法除了能保持目标脸的常见属性信息，如表情、姿态、光照、背景等之外，还可以更好地保持目标脸的妆容信息。

在这个工作中，我们利用生成对抗模型隐空间的解耦特性，将不同性质的属性分别迁移。具体来说，表情、姿态等是与结构相关的属性，而光照、风格等是与外观相关的属性。这两类属性由隐编码的不同层分别控制：一张图片隐编码的前半部分控制结构信息，而后半部分控制外观信息。

我们先分别将源脸和目标脸反转到StyleGAN的隐空间内。同时将源脸和目标脸关键点的热图送入关键点编码器，得到一个结构属性转移向量，这个向量作用在源脸的隐编码上，即可实现结构属性的迁移。

同时，我们用目标脸隐编码的后半部分代替源脸隐编码的后半部分，这样即可实现外观属性的迁移。将处理之后的隐编码送入预训练好的StyleGAN中，即可得到初步的换脸结果。

此外，为了实现目标脸背景的迁移，我们将目标脸直接送入目标编码器，得到不同分辨率的特征，并和StyleGAN中间过程中产生的特征在解码器中进行融合。这样我们就获得了最终的结果y。实验结果表明，我们的方法在图片和视频换脸任务中，许多方面的效果均超过了多SOTA方法。

注：图片只用作学术研究，不用于商业用途。

关于CVPR

CVPR 全称 IEEE 国际计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition），该会议始于 1983 年，是计算机视觉和模式识别领域的顶级会议。今年大会共收到来自全球各大高校、科研机构与科技公司共8186篇投稿，最终接收的论文几乎都代表了年度计算机视觉领域最新、最高科研水平以及未来发展趋势。