|本期目录/Table of Contents|

[1]林志坤,许建龙,包晓安.基于STGAN的人脸属性编辑改进模型[J].浙江理工大学学报,2023,49-50(自科三):285-292.
　LIN Zhikun,XU Jianlong,BAO Xiaoan.Improved model of face attribute editing based on STGAN[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科三):285-292.
点击复制

基于STGAN的人脸属性编辑改进模型()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第49-50卷
期数:
2023年自科第三期
页码:
285-292
栏目:
出版日期:
2023-05-31

文章信息/Info

Title:
Improved model of face attribute editing based on STGAN
文章编号:
1673-3851 (2023) 05-0285-08
作者:
林志坤; 许建龙; 包晓安
浙江理工大学，a.信息科学与工程学院；b.计算机科学与技术学院，杭州 310018
Author(s):
LIN Zhikun;  XU Jianlong;  BAO Xiao′an
a.School of Information Science and Engineering; b.School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
生成对抗网络; 人脸编辑; 重构图像; 潜码解耦
分类号:
TP391
文献标志码:
A
摘要:
人脸属性编辑在美颜APP和娱乐领域有重要应用，但现有方法存在生成图像质量不高、属性编辑不够准确等问题，为此提出了一种基于选择传输生成对抗网络（Selective transfer generative adversarial networks, STGAN）的人脸属性编辑改进模型。运用潜码解耦合思想，将潜码分解为内容潜码和风格潜码单独操作，提高源域图像和目标域图像的内容编码一致性，从而提高属性编辑准确率；同时运用像素级重构损失和潜码重构损失，在总损失函数中加入像素级限制和潜码重构限制，通过互补作用提高生成图像质量。在CelebA人脸数据集和季节数据集上进行实验，该模型相比当前人脸属性编辑主流模型在定性结果和定量指标上均有提高，其中峰值信噪比和结构相似性相比STGAN模型分别提高了6.06%和1.58%。这说明该改进模型能够有效提高人脸属性编辑的性能，满足美颜APP和娱乐领域的需求。

参考文献/References:

［ 1 ］曹建芳 , 张自邦 , 赵爱迪 , 等 . 增强一致性生成对抗网络在壁画修复上的应用［ J ］ . 计算机辅助设计与图形学学报 , 2020, 32(8): 1315 - 1323.
［ 2 ］李洪安 , 郑峭雪 , 张婧 , 等 . 结合 Pix2Pix 生成对抗网络的灰度图像着色方法［ J ］ . 计算机辅助设计与图形学学报 , 2021, 33(6): 929 - 938.
［ 3 ］ Goodfellow I J, Pouget - Abadie J, Mirza M, et al. Generative adversarial nets ［ C ］∥ Proceedings of Advances in Neural Information Processing Systems. Cambridge: MIT Press, 2014: 2672 - 2680.
［ 4 ］ Kingma D P, Welling M. Auto - encoding variational bayes . (2014 - 05 - 01) ［ 2022 - 08 - 31 ］ . https: ∥ arxiv.org/pdf/1312 - 6114.pdf.
［ 5 ］ Isola P, Zhu J Y, Zhou T H, et al. Image - to - image translation with conditional adversarial networks ［ C ］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 5967 - 5976.
［ 6 ］ Wang T C, Liu M Y, Zhu J Y, et al. High - resolution image synthesis and semantic manipulation with conditional GANs ［ C ］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 8798 - 8807.
［ 7 ］ Zhu J Y, Park T, Isola P, et al. Unpaired image - to - image translation using cycle - consistent adversarial networks ［ C ］∥ Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 2242 - 2251.
［ 8 ］ Anoosheh A, Agustsson E, Timofte R, et al. ComboGAN: Unrestrained scalability for image domain translation ［ C ］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. Salt Lake City: IEEE, 2018: 783 - 790.
［ 9 ］ Choi Y, Choi M, Kim M, et al. StarGAN: unified generative adversarial networks for multi - domain image - to - image translation ［ C ］∥ Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 8789 - 8797. ［ 10 ］ He Z, Zuo W, Kan M, et al. AttGAN: Facial attribute editing by only changing what you want ［ J ］ . IEEE Transactions on Image Processing, 2019, 28(11): 5464 - 5478.

相似文献/References:

[1]包晓安,高春波,张娜,等.基于生成对抗网络的图像超分辨率方法[J].浙江理工大学学报,2019,41-42(自科四):499.
　BAO Xiaoan,GAO Chunbo,ZHANG Na,et al.Image superresolution method based ongenerative adversarial network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科三):499.

备注/Memo

备注/Memo:
收稿日期： 2022-09-01
网络出版日期：2023-01-16
基金项目： 浙江省重点研发计划项目(2020C03094)
作者简介： 林志坤(1997-)，男，浙江温州人，硕士研究生，主要从事深度学习、计算机视觉等方面的研究
通信作者： 许建龙，E-mail：xujianlong126@126.com
更新日期/Last Update: 2023-09-08