基于三者对抗生成网络的人脸转正方法

针对大姿态人脸转正的图像生成效果较差问题,文章建立了一种基于生成器、判别器和分类器三者对抗的生成对抗网络(GAN)人脸转正方法。实验中通过引入超参数S进行比例控制生成器和判别器的交替训练,避免模式崩溃并提高了训练效率。大姿态人脸转正实验表明,该方法在CFP数据集对侧脸转正效果的Rank识别准确率达到了68.7%,与DR-GAN相比提高了4.4%,验证了所提出的方法能够有效生成正面人脸图像且较好地保留人脸的身份特征。

基于生成对抗网络的人脸转正方法研究

为了增加偏角人脸的特征信息,提升人脸识别准确率,研究一种基于生成对抗网络(GAN)的人脸转正方法。首先将GAN网络的生成器框架由单通道变为双通道结构,方便对全局结构和局部纹理进行处理,然后对判别器加入注意力机制,最后引入合成损失函数使其能够高效地生成人脸正面图片。实验结果证明:将人脸转正图片输入识别网络后,识别准确率有所提升,随着角度变化识别率衰减程度变小,能够极大程度保留人脸重要的识别信息,对后续的人脸识别工作有较大的帮助。

基于生成对抗网络的多角度人脸重构

由于在不同角度下人脸的差异性很大,多角度的人脸重构仍然是一项具有挑战性的研究课题。现存的方法只能建立两个不同人脸角度之间的映射。若要生成多角度人脸图像,只能通过多个生成器进行多次训练来实现任意两个角度之间的映射,这极大地增加了训练的时间成本。本文提出了一种基于生成对抗网络的多角度人脸重构算法。通过引入对抗损失函数和循环一致性损失函数,本文中的算法仅通过一次训练就能建立任意两个人脸角度之间的映射,这极大地降低了训练的时间成本以及减少了训练难度。在公开数据集Multi-PIE上进行对比实验,结果表明本算法不仅能进行多角度人脸转换,而且在人脸转正之后的人脸识别准确率明显高于CPF、DR-GAN、Light-CNN等算法。