Aprendizaje de Representaciones Desenredadas para Cambio de Rostro Progresivo de Una Sola Toma

Aunque el cambio de rostro ha atraído mucha atención en los últimos años, sigue siendo un problema desafiante. Los métodos existentes utilizan una gran cantidad de muestras de datos para explorar las propiedades intrínsecas del cambio de rostro sin considerar la información semántica de las imágenes faciales. Además, la representación de la información de identidad tiende a estar fija, lo que conduce a un cambio de rostro subóptimo. En este artículo, presentamos un método simple pero eficiente llamado FaceSwapper, para el cambio de rostro de una sola toma basado en Redes Generativas Antagónicas. Nuestro método consiste en un módulo de representación desenredada y un módulo de fusión guiada por semántica. El módulo de representación desenredada comprende un codificador de atributos y un codificador de identidad, que tiene como objetivo lograr el desenredamiento de la información de identidad y atributos. El codificador de identidad es más flexible, y el codificador de atributos contiene más detalles de atributos que sus competidores. Aprovechando la representación desenredada, FaceSwapper puede cambiar imágenes faciales de manera progresiva. Además, la información semántica se introduce en el módulo de fusión guiada por semántica para controlar la región intercambiada y modelar la pose y expresión de manera más precisa. Los resultados experimentales muestran que nuestro método logra resultados de vanguardia en conjuntos de datos de referencia con menos muestras de entrenamiento. Nuestro código está disponible públicamente en https://github.com/liqi-casia/FaceSwapper.