上の青い単語をクリックすることを歓迎します、注意してください〜
関連資料：\
Ruoshui 3000、あなたのマークを取るだけです！AL（アクティブラーニング）とGANの組み合わせはどうですか？\
バーチャル着替え！これらの最新の論文が何をしているのかを簡単に見てください！\
01-GAN式の簡単な原則：Iron Armored Little Treasure \
この日、あなたは通りを歩いて、混雑した交通とにぎやかな歩行者を見ています。
突然、衝撃的なプロファイルが左側の15メートル前で点滅し、衝撃を受けずにはいられませんでした。
「そのような側面は、繁栄している世界では比類のないものでなければなりません。世界で何回珍しいですか？」
だからあなたはそれを探すためにスクランブルをかけ、そのような美しい顔を見たいと思っていました...
数分後、あなたは大いに失望し、不平を言います：
「正面はこれに過ぎない！側面キラーだ！」
写真はインターネットからのものであり、侵入されて削除されています。
迷子になったあなたのために、あなたはあなたの心配を和らげるために現時点でペッパピッグのアニメーションを開くことができるだけです。
「豚は常に横顔で観客の方を向いていますが、反対側は見たことがありません。奇妙なことに、横顔から見ても、2つの目と2つの鼻孔があります。」
だからあなたはあなたの心に触れてあなたの魂に尋ねます：
「プロフィールを考えると、その顔の本当の顔を取得する方法???」
ははは、今日はGANを使った「顔の矯正」に関する論文です（見られるように）。つまり、側面の画像が与えられた場合、前面の画像を取得するにはどうすればよいですか？
1（2020-1-6）PI-GAN：複数のプロファイルの顔の合成のためのポーズに依存しない表現の学習
arxiv.xilesou.top/pdf/2001.00…
我们往往希望，通过某种方法去提取某一人脸姿态图像的固定不变的“姿态表示特征”，并以此去生成多种视图的姿态图像，例如人脸转正（给定一幅侧脸，即可推知正脸图像）。从某个面部朝向姿势图像去合成其它面部姿势，如何获取“姿态表示特征”仍然是一个难题。人脸转正在诸如多媒体安全性、计算机视觉、机器人技术等各个领域都有应用价值。
为了解决这个问题，本文提出了PIGAN（循环共享编码器/解码器框架），利用具有编码器-解码器结构的生成对抗网络（GAN），联合判别器网络，去学习提取“与姿态无关的特征”，再利用其实现逼真的人脸合成。
与传统的GAN相比，它还由辅助的编码器-解码器框架组成，它与主框架中共享权重，并从原始姿势图像重构图像；主框架着重于创建“解耦表示”，而次框架旨在还原原始面孔。使用CFP高分辨率数据集进行方法的验证。
实验：CFP数据集。由500个人组成，每人包含10幅正面图像和4幅侧脸。在450个人上训练模型，并对剩余进行评估。基本框架架构遵循DCGAN 的实现。效果图如下，有些乍一看还挺好？
2 (2019-02-26) BoostGAN for Occlusive Profile Face Frontalization and Recognition
arxiv.xilesou.top/pdf/1902.09…
有许多因素会影响人脸识别效果，例如姿势、遮挡、照明、年龄等等，其中最主要的是大姿势和遮挡问题，这些问题甚至可能模型的性能下降10％以上。
“姿势不变特征表示”和利用生成对抗网络（GAN）进行人脸转正已被广泛用于解决姿势问题。然而，受遮挡的侧脸的识别仍然是一个待解决的问题。为此本文提供一种有效的解决方案，即使面对脸部关键点区域（例如眼睛，鼻子等）受损或遮挡的侧脸图像，也去尝试识别。
具体来说，提出一个BoostGAN，用于去遮挡，正面化和面部识别。基于面部遮挡是部分且不完整的假设，多个遮挡块的图像将作为输入，也就是所谓的的“knowledge boosting”，例如身份和纹理信息。然后，进一步设计了一种新的聚合网络模块，用于最终精细的图像合成。
3 (2018-10-6) Learning a High Fidelity Pose Invariant Model for High-resolution Face Frontalization
arxiv.xilesou.top/pdf/1806.08…
人脸正面化是指根据给定的侧脸去合成人脸正面视图的过程。由于遮挡和扭变，要恢复较好的结果、以高分辨率保存纹理细节极为困难。本文提出了一种高保真姿势不变模型（HF-PIM）来产生逼真的、能保持身份特征一致的结果。
4 (2018-3-4) Load Balanced GANs for Multi-view Face Image Synthesis
arxiv.xilesou.top/pdf/1802.07…
从单个图像去合成多视图人脸是一个ill-posed病态、不定的问题，结果往往有严重的外观失真。生成逼真的、保留身份的多视图仍然是一个挑战。本文提出了负载平衡生成对抗网络（LB-GAN），可以将输入人脸图像的偏航角精确地旋转到任意指定角度。
LBGAN将具有挑战性的综合问题分解为两个子任务：人脸标准化和人脸编辑。标准化首先对输入图像进行正面化，然后编辑器将正面化的图像旋转到所需姿势。为了生成逼真的局部细节，对标准化器和编辑器进行两阶段训练，并通过有条件的self-cycle loss和基于L2 loss的attention进行约束。
5 (2017-12-13) UV-GAN Adversarial Facial UV Map Completion for Pose-invariant Face Recognition
arxiv.xilesou.top/pdf/1712.04…
最近提案されたロバストな3D顔アライメント方法は、3D顔モデルと2D顔画像の間に密または疎の対応を確立します。これらの方法の使用は、顔の質感分析の課題であると同時に機会でもあります。特に、顔のUVは、フィットしたモデルで画像をサンプリングすることで作成できます。Dしかし、UVマップは、オクルージョンのために常に不完全です。本論文では、生成されたUVマップを使用して任意のポーズの2D顔画像を生成するUV-GANを提案します。
6（2017-08-17）野生の大きなポーズの顔の正面化に向けて
arxiv.xilesou.top/pdf/1704.06…
ディープラーニングを使用した顔認識の最近の進歩にもかかわらず、パフォーマンスは大きなポーズの変化の下で深刻な影響を受けます。ポーズ不変の特徴を学習することは1つの解決策ですが、高価な大規模なデータ注釈と適切に設計された特徴学習アルゴリズムが必要です。この論文は、FF-GANと呼ばれる顔矯正のための3Dモーファブルモデル（3DMM）とGANを組み合わせたものです。
7（2017-08-3）顔の回転を超えて：フォトリアリスティックでアイデンティティを維持する正面ビュー合成のためのグローバルおよびローカル知覚GAN
arxiv.xilesou.top/pdf/1704.04…
この論文は、グローバル構造とローカル詳細を同時に感知することにより、現実的な正面図合成のための双方向生成敵対的ネットワーク（TP-GAN）を提案します。一般的に使用されるグローバルエンコーダ/デコーダネットワークに加えて、ローカルテクスチャを処理するために4つのローカルブロックネットワークも提案されています。さらに、敵対的損失、対称性損失、およびアイデンティティ保持損失の損失の組み合わせが導入されます。
より多くの共有については、この公開アカウントに注意を払ってください：