Key points are not available for this paper at this time.
Propomos uma abordagem para a geração de imagens de faces de pessoas virtuais com representações latentes desentrelaçadas e precisamente controláveis para a identidade de pessoas não existentes, expressão, pose e iluminação. Incorporamos priors 3D no aprendizado adversarial e treinamos a rede para imitar o processo de formação de imagem de uma deformação e renderização analítica de face 3D. Para lidar com a liberdade de geração induzida pela diferença de domínio entre faces reais e renderizadas, introduzimos ainda o aprendizado contrastivo para promover o desentrelaçamento, comparando pares de imagens geradas. Experimentos mostram que, através do nosso aprendizado imitativo-contrastivo, as variações de fatores estão muito bem desentrelaçadas e as propriedades de uma face gerada podem ser controladas com precisão. Também analisamos o espaço latente aprendido e apresentamos várias propriedades significativas que apoiam o desentrelaçamento de fatores. Nosso método também pode ser utilizado para incorporar imagens reais no espaço latente desentrelaçado. Esperamos que nosso método possa fornecer novas compreensões sobre a relação entre propriedades físicas e síntese de imagem profunda.
Deng et al. (Mon,) estudaram essa questão.