Barbershop

由于光照、几何结构和部分遮挡之间的复杂关系会导致图像不同部分之间产生耦合，无缝融合多张图像的特征极具挑战性。尽管近期关于 GAN 的研究工作能够合成逼真的头发或面部，但要将它们组合成一幅连贯、合理的单一图像，而不是互不连贯的图像块拼凑，仍然十分困难。我们提出了一种基于 GAN-inversion 的图像融合新解决方案，特别适用于发型迁移问题。我们提出了一种用于图像融合的新型潜在空间，能更好地保留细节并编码空间信息，并提出了一种新的 GAN-embedding 算法，能够对图像进行轻微修改以符合通用的分割掩码。我们新颖的表示方法能够迁移来自多张参考图像的视觉属性，包括痣和皱纹等具体细节；并且由于我们在潜在空间中进行图像融合，因而能够合成连贯的图像。我们的方法避免了其他方法中存在的融合伪影，并能获得全局一致的图像。在一项用户研究中，我们的结果展示了相比现有最先进技术的显著改进，超过 95% 的情况下用户更青睐我们的融合方案。新方法的源代码可在 https://zpdesu.github.io/Barbershop 获取。