几何特征和属性标签驱动的人脸图像合成

针对当前人脸图像合成中存在的模样和表情合成的多样性不足、表情的真实感不高、合成效率低的问题,提出了一种引入面部几何特征和属性标签约束的新型人脸合成网络模型。该模型在给定一张源人脸图片、一张目标人脸图片和属性(如发色、性别、年龄等)标签的情况下,能够生成一张具有源人脸表情、目标人脸身份特征以及指定属性的高真实感的人脸图像。模型包括两部分:人脸特征点生成器(Facial Landmark Generator, FLMG)和几何-属性感知生成器(Geometry and Attribute Aware Generator, GAAG)。FLMG利用人脸几何特征点编码表情信息,并将源人脸的表情信息迁移到目标人脸的特征点上;GAAG结合FLMG中生成的特征点、给定的属性标签和目标人脸图片,生成一张具有指定模样和表情的人脸图片。文中还引入了一个新的软截断三元感知损失函数用于约束GAAG,该函数可使生成的人脸更好地保持目标人脸的身份特征且更加真实自然,同时可使GAAG模型以更快的速度收敛。实验结果表明,所提方法可合成模样和表情多样化的人脸图像,且人脸的外貌真实、表情自然。另外,所提网络模型只需训练一次即可实现任意不同表情之间的迁移,效率较高。

细节特征保持的三维面部表情迁移方法

在三维面部表情迁移中,针对保持目标模型丰富的细节信息以使生成的新表情真实自然,以及减少表情迁移的学习训练时间这2个热点问题,提出一种细节特征保持的三维面部表情迁移方法.首先提取三维面部模型的细节特征,获得滤掉细节后的基本表情;然后利用改进的有参无监督回归方法将源模型的基本表情传递给目标模型;最后利用提出的细节特征向量调整策略对具有源基本表情的目标模型进行细节恢复.在Windows 10系统的Matlab中,以重建精度和训练时间为评价指标,对COMA等三维面部数据集进行视觉对比和定量分析实验.结果表明,与非线性联合学习方法相比,该方法在将源模型的表情无损迁移到目标模型的同时,很好地保持了目标模型自身的个性细节特征,使生成的表情真实自然;有效地提高了面部表情迁移的训练速度.