摘要
图像翻译是指将图像内容从一个域转换到另一个域，也就是将图像的属性移除并重新赋予新的属性。随着生成对抗网络（Generative Adversarial Networks，GAN）的提出，基于GAN的图像翻译成为深度学习中最热门的方向之一。与传统深度学习的生成模型相比，GAN通过引入一个判别模型，与生成模型进行对抗训练来实现数据生成，可以产生更清晰真实的样本。图像翻译的一个重要应用是人脸属性编辑，它是在保持人脸图像背景不变的条件下将图像修改为给定属性（例如，头发颜色，表情和年龄等）的任务，相关研究已被广泛应用于娱乐、社交等领域。 本文主要针对基于生成对抗网络的人脸属性编辑任务进行研究，主要工作包括以下几个方面： （1）提出了一种基于多尺度判别器的人脸属性编辑模型。自编码器作为生成器，模型的输入为图片和属性。使用属性分类器使生成的图像正确拥有预期的属性。采用多尺度判别器来指导生成器生成更好的细节，在原图上捕捉更多细节信息。将重构损失、属性分类损失和多尺度的GAN损失结合用于人脸属性编辑中。 （2）提出了一种基于选择性传输单元（Selective Transfer Unit，STU）和谱归一化（Spectral Normalization，SN）的人脸属性编辑模型。我们使用一个生成器和两个判别器来实现类似于CycleGAN的功能。此外，生成器将编码器-解码器结构与STU相组合，以选择性地将编码器特征与解码器特征连接。我们的模型将源和目标属性向量之间的差异作为输入，这有助于仅考虑要更改的属性。此外，我们在判别器中使用谱归一化（SN）来稳定训练，从而有效地提高了生成图像的质量。 （3）最后，在CelebA基准数据集实验表明，本文提出的两种方法提高了编辑结果的图像质量和属性编辑能力。此外，进行了全面的对比实验，以证明我们的方法在单属性面部编辑、多属性面部编辑和属性强度控制任务上的有效性。
NETL