基于生成对抗网络的人脸妆容迁移方法研究

妆容迁移是一项利用计算机视觉和深度学习算法将一种妆容的风格转移到其他人脸上的技术,以实现高仿妆效果转换。为了有效解决现有人脸妆容迁移方法中存在的上妆区域错误和妆容迁移不完整的问题,提出了一种基于生成对抗网络的人脸妆容迁移方法(MutNet)。以解决妆容迁移不完整的问题为目标,该方法在解码器中引入了空间注意力机制,来帮助网络更加聚焦于需要修改的区域,并通过引入孪生对比损失,更好地实现人脸之间的语义对应关系,有效缓解或克服上妆区域错误的问题。同时通过与其他方法的对比结果表明,MutNet能获得更协调的上妆效果。

三菱Q系列PLC多层网络控制系统的研究

阐述了由三菱Q系列PLC构成,具有工业以太网、MELSEC NET/H网、CC-Link现场总线的多层网络控制系统。着重介绍了该网络系统的结构、特点、通信原理及通信方法,进行了深入地研究,并设计了现场总线应用的控制系统——炉窖网络控制系统。应用结果表明,利用该网络设计的控制系统具有保护功能齐全、通信速率快、实时性好、可靠性高、布线方便等优点,基于Q系列PLC网络控制系统具有较高的实用价值。

人脸妆容迁移研究综述

人脸妆容迁移的目标是在保持源图像面部特征的同时,将人脸妆容从参考图像迁移到源图像,具有重要的理论研究价值和巨大的市场应用价值。目前,生成对抗网络已成为解决人脸妆容迁移问题的主流技术。阐述了人脸妆容迁移面临的主要挑战,按照重点解决问题的不同系统地梳理了已有的人脸妆容迁移方法并分析了其优点和局限性,总结了人脸妆容迁移网络常用的损失函数,介绍了常用的人脸妆容迁移数据集以及模型评价方法,讨论了人脸妆容迁移领域未来的发展趋势。

PLC的开放式控制与通信总线网络

介绍了一种开放式PLC控制与通信总线。阐述了该总线的通信原理、网络结构及特点,给出了总线应用的具体实例——掺混控制系统以及通信初始化程序。应用结果表明,该掺混控制系统保护功能齐全、通信速率快、布线方便。

对抗学习在带妆人脸验证中的应用

近年来研究人员在人脸识别与验证领域取得了巨大成就,尽管现有人脸验证算法已经取得了很好的成绩,但是由于化妆会改变面部图像的局部纹理信息,依旧给人脸验证带来了极大的挑战,针对此问题,本文提出了一种新的人脸验证的框架.设置两个残差网络用于提取带妆面部图像和不带妆面部图像的特征,同时在两个残差网络[1]的特征空间中引入一个判别器,判别器可以鉴别输入的特征向量是来自于哪一个残差网络,通过协同训练两个残差网络和判别器,利用对抗学习的机制使得残差网络可以提取到与妆容无关的特征.通过在MYP数据集上的实验证明,本文的方法能够取得较好的效果,且对于妆容的鲁棒性大大增强.

《三国演义》中英文平行语料库的研制与创建

文章以实际创建的《三国演义》中英文平行语料库为例,介绍其设计思路、设计方案.主要探讨语料划分、标注、对齐、软件开发等问题,旨在为个人创建一本多译平行语料库提供帮助,为系统研究《三国演义》及其翻译提供一个网络平台.

基于生成对抗网络的人脸妆容自动迁移方法

为有效解决现有人脸妆容迁移方法训练数据缺乏,以及上妆区域错误等问题,提出了一种基于生成对抗网络的人脸妆容自动迁移方法。方法通过构建生成对抗网络目标函数,采用Encoder-Decoder神经网络生成对抗网络生成器,并基于多层卷积神经网络构建鉴别器,训练算法采用交替优化的方式。仿真实验和方法比对结果表明,该方法在保持素颜妆后图像脸部结构不变的同时,尽可能地体现了参考妆容风格,得到了更协调的上妆效果,具有更佳的对比优势和视觉效果,为人脸妆容自动迁移技术提供了新思路。

一种多通路的分区域快速妆容迁移深度网络

妆容迁移是指把参考妆容迁移到素颜人脸上,并保持其上妆风格的一种任务.它提供了快速高效的候选妆容可视化的解决方案,得到了学术界和工业界的广泛关注.为了解决真实同人异妆数据的缺失,以及现有妆容迁移方法没有充分考虑人与人的五官差异而导致的迁移脸部结构丢失等问题,提出了一种多通路的分区域快速妆容迁移深度网络模型.具体而言,首先在人脸关键点检测的基础上,完成端到端的人脸校准;再利用通路差异的损失函数,根据眼影、唇膏、粉底的区域妆容特点优化网络;最后通过泊松融合、多通路的输出生成上妆结果.该模型具有存储空间小、生成速度快的优点,在保证人脸结构不变的同时,使得迁移后的眼影更均衡,唇膏色彩更保真,粉底迁移更精细.在国际通用VMU和DLMT美妆数据库上进行实验研究,结果表明,该方法取得了更协调的视觉效果、更快的上妆速度、更多样的同人异妆和异人同妆的迁移风格,优于对比方法.

具身认知视角下社交网络个性化表情符号生成系统设计研究

解决当下社交网络表情符号图像同质化,不能满足用户个性化交流需求、与社交情境相适应,缺少中国传统文化特色等问题。以具身认知理论为设计理据,以京剧脸谱艺术创建表情符号图像素材库,运用EmguCV图像识别和处理技术,设计并实现具有中国传统文化特色的社交网络个性化表情符号生成系统。运用计算机辅助设计方法,以具身认知理论为指导,设计了个性化京剧脸谱表情包实时生成系统,让用户应用本系统生成个性化表情符号并在聊天中即时使用。为个性化社交网络表情符号的设计提供一种创新思路,使社交网络中的表情符号成为传播传统文化的载体。

一种面向戏曲妆容细节生成的风格迁移网络

为解决跨域图像仿真中局部风格细节丢失问题,以保护传统优秀文化为视角,设计了一种适用于戏曲人脸妆容的ChinOperaGAN网络框架。为了解决两个图像域内差异的风格迁移,提出了在生成对抗网络中使用多个重叠的局部对抗性鉴别器;考虑到成对的戏曲人脸妆容数据较难获取问题,设计了结合源图像妆容映射生成合成图像来指导图像间局部妆容细节的有效迁移方法;针对戏曲人脸妆容色彩浓重分明的特点,引入了损失函数以约束生成具有高频细节的妆容图像。在开源数据集和自建数据集上进行实验,通过与经典的方法进行定性和定量分析,均优于传统经典方法。结果表明,通过无监督的对抗性学习完成了妆容的迁移,很好地生成了具有高频细节的戏曲人脸妆容风格图像,能够实现图像特征一致、风格匹配的图像迁移,成果可应用于非遗文化的数字化系统仿真,有利于传统文化的传承和发展。

基于生成对抗网络的自动美妆技术研究

现有的基于生成对抗网络的自动美妆方法存在着生成的图像质量不高、美妆效果不理想等问题。因此,论文研究了一种WarpMakeup-GAN方法实现了女性人脸图像的自动美妆功能。首先,对于网络结构部分,通过深度可分离卷积和特征金字塔结构提升网络速度和拟合能力;其次,对于损失函数部分,通过自重建损失函数和仿射变换损失函数提升网络生成的图像质量和美妆效果;最后,通过测试阶段引入人脸对齐进一步优化美妆效果。与现有的方法相比,此方法可以生成更好的美妆图像。

基于深度学习的人脸妆容迁移算法

人脸妆容迁移是指将参考妆容迁移到素颜人脸上,在保持面部特征不变的同时尽可能展现参考妆容的风格的一种任务。为了进一步实现人脸妆容自动迁移技术,避免现有妆容迁移方法没有充分考虑人与人之间的五官差异而导致提取的人脸信息不足等问题,提出了一种基于深度卷积神经网络的人脸妆容迁移算法。该算法首先自动定位素颜人脸和参考妆容的五官,提取重要部位的特征信息。然后通过妆容传递网络和损失函数,经过深度卷积神经网络自主训练,最终实现了参考妆容向素颜人脸的自动迁移。仿真实验结果表明,与目前的主流算法进行对比,该算法耗时更短、运算性能更具优势,同时在不改变原图五官细节的基础上,妆容迁移效果更为自然。

基于条件生成对抗网络的人脸去妆算法研究

针对现有去妆算法研究没有考虑到皮肤纹理信息,导致去妆人脸不真实,细节模糊等问题,本文提出一种基于条件生成对抗网络的面部去妆方法。该方法通过使用人脸位置对应的配对数据,引入L1损失函数保留身份信息,并且在训练过程中加入VGG16网络提取图片特征,引入感知损失函数,确保皮肤的纹理真实相近。实验结果表明,与其他图像转换生成网络对比,该方法能够生成更加清晰、高质量的人脸图像。

电子上妆技术在载人航天中的应用设计

针对空间站为代表的空间活动驻留宇航员上镜时的妆容美化需求和空间环境资源限制等问题,通过图像处理的方法为宇航员进行虚拟上妆,优化航天员个人形象。对妆容迁移技术现状和载人航天中的问题进行了初步的探索和讨论,进一步提出虚拟上妆的优化设想,设计了基于生成对抗网络的妆容迁移模型。通过该模型可以对宇航员图像或视频的关键帧进行自动美颜,实现宇航员面部的虚拟上妆。实验结果表明,在不会改变宇航员的身份信息的基础上,通过优化后的循环一致性生成对抗网络对宇航员图像面部、眼部及唇部都可以进行迁移上妆,且不需要额外的手动交互。电子上妆技术解决了太空中宇航员个人形象维护难的问题,对进一步提升航天员形象有一定的参考价值。

低分辨率图像的妆容迁移算法

现有的妆容迁移算法效果优越,功能丰富,但是较少考虑到输入图像为低分辨率的场景.当高分辨率图像难以获得时,现有的妆容迁移算法将难以适用,妆容无法完全迁移.为此本文提出了一种适用于低分辨率图像的妆容迁移算法,将包含妆容信息的特征矩阵作为先验信息,将超分辨率网络与妆容迁移网络结合在一起产生协同效应,即使输入的图像为低分辨率图像,也能输出高分辨率的妆容迁移结果,并且充分保留妆容细节的同时提升姿势和表情的鲁棒性.由于使用端到端的模型实现妆容迁移与超分辨率,因此设计了一组联合损失函数,包括生成对抗损失、感知损失、循环一致性损失、妆容损失和均方误差损失函数.所提出的模型在妆容迁移与超分辨率的定性实验和定量实验中均达到了先进水平.

BeautyGAN+:基于全新PMT数据集的美妆转移混合监督学习算法

作为改变人脸图像外观的重要方式之一,美妆转移任务在近年来获得了越来越多的关注.美妆转移网络可以将任意参考图像的妆容转移到任意人脸图像上,在节约时间和空间成本的同时帮助人们找到适合自己的妆容,并获得妆容得到美化的图像.美妆转移网络BeautyGAN成功展示了无监督方法妆容迁移的较好效果,然而此类无监督学习策略缺乏可以提供良好妆容细节的监督标签,导致实验结果中出现了背景变色、边缘不自然、容易受光照影响等问题.用素颜–美妆配对标签进一步约束BeautyGAN模型训练可以解决上述问题,但当前学术界缺乏此类精细标注的配对数据集.针对以上问题,本文提出了BeautyGAN+方法,贡献了一个用户详细标注的素颜–美妆配对数据集,即PMT数据集,在BeautyGAN的无监督基础上加入有监督损失进行训练,最终通过实验发现结合无监督(迁移性好)和有监督(细节修复好)的训练策略可以提供更好的迁移效果.实验结果中的图像结果和用户调研(14位)均表明本文方法显著提升了美妆转移效果,解决了美妆转移工作长期缺乏配对数据集及转移结果存在多种偏差的难题.