AttGAN: Facial Attribute Editing by Only Changing What You Want
paper motivation
与starGANZ几乎同时间发表的另一篇人脸属性多领域迁移的论文。使用一个统一的框架进行人脸属性的迁移。
demo:https://www.youtube.com/watch?v=gnN4ZjEWe-8
主要贡献:
1.通过将latent representation与属性结合(将目标属性和encode输出结合),这样将属性和latent representation分开可以使迁移后的属性更加准确。
2.采用了属性分类误差,重构误差,对抗学习误差。与starGAN一样。
3.多领域的转换只需要一个网络模型。与starGAN一样
主要思想
如图网络结构:
在测试时,给定一张输入图像 x a \mathbf { x } ^ { \mathbf { a } } xa和N为的属性 b b b然后通过得到 z = G e n c ( x a ) \mathbf { z } = G _ { e n c } \left( \mathbf { x } ^ { \mathbf { a } } \right)