基于深度学习的StyleGAN2合成人脸识别系统

StyleGAN2合成人脸识别系统专门针对StyleGAN2合成人脸进行识别,可以识别出人脸图片是否由StyleGAN2合成而来。StyleGAN2合成人脸识别系统基于C/S(客服端/服务器)架构,系统的核心部分为部署在服务器上的识别模型,该模型的隐含层网络结构为深度学习中的卷积神经网络。识别模型经大数据的支撑下训练数次而得,训练后的模型准确率达到97.22%,交叉验证后的模型准确率达到98.33%,由此验证了基于深度学习可以识别出StyleGAN2合成人脸图片。

亲缘关系约束下的青少年人脸年龄合成研究

年龄合成生成逼真的人脸图像可以有效地提高跨年龄人脸验证准确率,对寻找走失人口有着重要的意义,但是青少年颅骨复合体未发育完全,使得面向青少年的年龄合成十分困难。因此提出了一种面向青少年的端到端的年龄合成模型。通过StyleGAN保留人脸的语义信息,在人脸编码特征上添加年龄通道实现年龄的转化,引入亲缘特征匹配模块引导青少年的面部老化,将亲缘特征匹配率加入损失函数参与训练。该算法模型可以在保持个体身份信息的同时,实现平滑的年龄合成,生成逼真的人脸图像。该模型不仅提升了视觉效果,并且实验表明该模型跨年龄人脸验证准确率达到95.3%,身份召回率达到92.7%,年龄合成平均年龄误差减少4年,较现有算法有较好的提升。

基于迁移学习的AI合成人脸图像鉴别研究

目的人工智能(Artificial Intelligence,AI)生成高质量人脸图像的伪造技术愈发成熟,使得人脸图像的真实性检验面临重大考验。利用一种深度学习的方法对真伪人脸图像进行二分类,以实现对伪造图像的识别。方法提出一种基于迁移学习的方法,构建MobileNetV2网络,保留其在ImageNet数据集上的预训练权值,并对采用FaceSwap技术生成的5274张假脸图像和6650张真脸图像进行辨识。结果迁移模型在测试集上预测的准确度能达到0.94,该网络架构对于真假人脸图像的辨别具有一定的稳健性。结论利用迁移学习的方法能够实现对真伪人脸图像的辨识,在一定程度上对AI合成人脸图像的真实性检验具有借鉴意义。

基于StyleGAN的虚拟人脸生成技术

虚拟人脸生成技术是计算机视觉领域中备受关注的研究方向之一,随着深度学习的不断发展,基于各类生成对抗网络的虚拟人脸生成技术逐渐成了研究的热点。针对虚拟人脸生成技术的研究,提出了一种基于StyleGAN的虚拟人脸生成技术。算法包括训练和生成两个主要步骤。在训练阶段,采用了大规模的真实人脸数据集,结合StyleGAN的生成能力,训练出了高质量的虚拟人脸生成模型。在生成阶段,使用了训练好的模型,通过对输入噪声向量的调整以及预先对人脸的对齐,生成高度逼真的虚拟人脸图像。同时,通过引入一个Pix2Pix网络,提升了将图像映射到潜在空间的速度,大大改善了StyleGAN网络的缺点。为了验证提出的算法的有效性和优越性,进行了大量的实验和对比分析。实验结果表明,算法在生成虚拟人脸图像的逼真度、多样性和真实性等方面均有显著提高,同时还能够避免传统虚拟人脸生成技术中存在的一些缺陷和问题。

结合Pixel2style2Pixel的年龄转化方法

年龄转化在刑侦、人脸识别等领域有着重要作用。常见的年龄转化方法需要使用成对带有年龄注释的数据集进行训练,并且存在生成图像质量低、年龄语义信息不够解耦等问题。针对上述问题,在Pix2style2Pix的训练框架中,引入年龄识别、contextual损失函数,对整体损失函数做出符合年龄转化的改进,提取年龄信息并保证图像质量。改进编码网络配合损失函数对潜在空间的图像进行编辑,提出一种基于Pixel2style2Pixel的年龄转化方法。通过FFHQ、CelebA数据集,对所提方法进行验证,实验结果表明,在不采用成对年龄注释的训练集下,改进后的损失函数能生成更符合期望年龄的转化图像,人脸相似度距离为0.346、FID为45.69、SSIM为0.593 6、PSNR为19.64 dB,均优于对比方法,证明所提方法能够生成高质量、年龄语义高度解耦的转化结果。

双重对比学习框架下近红外-可见光人脸图像转换方法

随着可见光-红外双模相机在视频监控中的广泛应用,跨模态人脸识别也成为计算机视觉领域的研究热点,而将近红外域人脸图像转化为可见光域人脸图像是跨模态人脸识别中的关键问题,在刑侦安防领域有着重要研究价值。针对近红外人脸图像在着色过程中面部轮廓易被扭曲、肤色还原不真实等问题,本文提出了一种双重对比学习框架下的近红外-可见光人脸图像转换方法。该方法构建了基于StyleGAN2结构的生成器网络并将其嵌入到双重对比学习框架下,利用双向的对比学习挖掘人脸图像的精细化表征。同时,本文设计了一种面部边缘增强损失,利用从源域图像中提取的面部边缘信息进一步强化生成人脸图像中的面部细节、提高人脸图像的视觉效果。最后,在NIR-VIS Sx1和NIR-VIS Sx2数据集上的实验表明,与近期的主流方法相比,本文方法生成的可见光人脸图像更加贴近真实图像,能够更好地还原人脸图像的面部边缘细节和肤色信息。