Key points are not available for this paper at this time.
Die Bearbeitung von Gesichtsattributen hat erhebliche Aufmerksamkeit erregt, doch die gängigen Methoden haben Schwierigkeiten, eine präzise Attributmanipulation zu erreichen und dabei irrelevante Details zu bewahren und die Attributstile zu kontrollieren. Diese Herausforderung ergibt sich hauptsächlich aus den starken Korrelationen zwischen verschiedenen Attributen und dem Zusammenspiel zwischen Attributen und Identität. In diesem Papier schlagen wir das Semantic Disentangled GAN (SDGAN) vor, ein neuartiges Verfahren zur Bewältigung dieser Herausforderung. SDGAN führt zwei Schlüsselkonzepte ein: einen semantischen Entwirrungsgenerator, der Gesichtsrepräsentationen bestimmten attributspezifischen Bearbeitungsmodulen zuweist, wodurch der Prozess der Gesichtsatributbearbeitung entkoppelt werden kann, und eine semantische Maskenausrichtungsstrategie, die die Attributbearbeitung auf geeignete Regionen beschränkt und so unerwünschte Modifikationen vermeidet. Durch die Nutzung dieser Konzepte zeigt SDGAN eine präzise Attributbearbeitung und erreicht eine hochqualitative Attributstilmanipulation sowohl auf latente-gesteuerte als auch referenz-gesteuerte Weise. Wir bewerten unsere Methode umfassend an der CelebA-HQ-Datenbank und bieten sowohl qualitative als auch quantitative Analysen an. Unsere Ergebnisse stellen fest, dass SDGAN die neuesten Techniken erheblich übertrifft und die Wirksamkeit unseres Ansatzes demonstriert. Um die Reproduzierbarkeit und weitere Forschung zu fördern, werden wir den Code für unsere Methode bereitstellen.
Huang et al. (Sun) haben diese Frage untersucht.