StyleGAN学习笔记

A Style-Based Generator Architecture for Generative Adversarial Networks

原文链接

A Style-Based Generator Architecture for Generative Adversarial Networks. CVPR 2019: 4401-4410

摘要

  借鉴了风格迁移（style transfer）文献，我们提出了一种生成对抗网络中生成器的替代结构。这种新的结构实现了自动学习的（automatically learned）、无监督的（unsupervised）高级属性（attributes）分离（例如，在人脸训练时的姿势和身份）和生成图像中的随机变量（stochastic variation）（例如，雀斑、头发），并且实现了直观的（intuitive）、可控的（scale-specific）的图像合成。新的生成器在传统的生成质量指标（distribution quality metrics）上达到了最高技术水平，可以显著提高插值特性（interpolation properties），并且可以更好地解构（disentangle）变量（variation）中的潜在因子（latent factors）。为了量化插值质量（interpolation quality）和解构（disentanglement），我们提出了两种新的自动化方法，适用于任何生成器结构。最后，我们介绍一个新的，非常多样性的并且高质量的人脸数据集。

Read More

DR-GAN学习笔记

Disentangled Representation Learning GAN for Pose-Invariant Face Recognition

原文链接

Disentangled Representation Learning GAN for Pose-Invariant Face Recognition. CVPR 2017: 1283-1292

摘要

  两张人脸图像之间的较大姿势差异是人脸识别领域的关键挑战之一。本文提出的DR-GAN有三个创新点：第一，除了图像合成之外，生成器的编码器-解码器（encoder-decoder）结构允许DR-GAN学习到生成性的和有辨别性的（generative and discriminative）特征（representation）；第二，这种特征和其他的人脸特征（例如姿势）是明确分离的，通过提供给解码器姿势编码（pose code），以及提供给判别器姿势估计（pose estimation）来实现；第三，DR-GAN可以使用一张图片或多张图片作为输入，然后生成一个统一的特征以及任意数量的合成图像。

Read More