基于Star-Gan的人脸互换算法

基于深度学习的人脸互换算法会因背景人脸环境的明亮程度、人脸表情、姿势等因素影响换脸效果,现阶段的人脸互换模型存在固有的弊端。采用Patch-Gan(Generative Adversarial Networks)的判别器结构能通过全卷积网络增强人脸局部一致性的效果。生成器将U-net结构的编码器的特征输出作为输入,能考虑多层信息细节。整体模型架构采用Star-Gan的模型,引入实例归一化层能保证图像的独立性。最后在Face-Forensics++人脸互换数据集上进行验证,结果表明,融合的模型有较好的生成效果和细节。