引用格式:易旭,白天.基于Star-Gan的人脸互换算法[J].信息技术与网络安全,2020,39(5):12-16.
随着深度学习技术的兴起,图像处理相关的研究有了一项强有力的技术支持。人脸互换在图像处理方面作为一个里程碑式的技术,意味着计算机能够理解人脸图像。如何通过对抗生成网络实现人脸互换,提升生成效果是现如今计算机视觉的一大热点。
对于传统的方法Face-swap[1],人脸互换只是把目标人脸截取,粘贴到原始人脸上面,使用图像融合的相关算法(如泊松融合)消除边界,后续的改进一般是在图像融合方面进行突破。
近年来,随着深度神经网络技术的成熟,KORSHUNOVA I[2]提出基于深度学习的人脸互换,将两个人脸的身份信息看成是两个不同图片风格,为一个目标人物训练一个深度神经网络提取人脸特征,换脸其实就是替换人脸的高维隐空间向量,而后再用训练好的人脸生成器进行生成,这种方式要求同一身份大量的人脸数据,其训练得到的模型只适用于这两个身份。YUVAL N[3]提出先使用3DMM模型拟合人脸,再互换人脸,解决了需要大量同一身份人脸图片的问题,但3DMM仍然有人脸匹配失败的问题,最终导致模型出错。NATSUME R[4-5]提出了FSnet和RSGAN,使用编码器学习整体人脸的编码,对所有的人脸只学习一个单一的人脸身份编码器网络,但由于输出的编码是一个高维的人脸身份向量,特征信息依然高度纠缠。
本文借鉴前人的思想,使用Star-Gan模型作为生成器,利用Arcface[6]身份编码器提取人脸高维身份特征,针对人脸细节的生成,使用基于U-net[7]的人脸特征编码器模型为多层级的输入,解决人脸特征纠缠的问题,使用PatchGan的思想改造判别器网络结构,引入实例归一化层提升生成效果。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003093
作者信息:易旭,白天(中国科学技术大学 软件学院,安徽 合肥 230026)