【杂谈】GAN对人脸图像算法产生了哪些影响？
人臉圖像是整個圖像領域里面研究人員最多，應用最廣的一個方向。GAN作為時下最新興的深度學習模型，在人臉圖像領域里已經頗有建樹，今天咱們就聊聊GAN對人臉圖像算法的一些主要影響。
文/編輯 | 言有三
人臉檢測?
人臉檢測是一個古老的課題了，從傳統算法發展到深度學習算法，已經非常的成熟，不過這并不是意味著完美。GAN在人臉檢測領域中的貢獻主要體現在小臉的超分辨上。
以文[1]為代表，生成器使用了一個超分辨率網絡(super-resolution network)和一個改進網絡(refinement network)對模糊的小臉進行上采樣，能夠提高wider face難測試集(Hard subset)的結果。
[1] Bai Y, Zhang Y, Ding M, et al. Finding tiny faces in the wild with generative adversarial network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 21-30.
?遮擋人臉恢復與姿態仿真?
人臉識別算法發展了很久也已經在工業界大規模應用，但是它的難題仍然是很明顯的，遮擋就是其中一個大問題，GAN可以被應用于遮擋人臉的恢復。
另一方面，姿態對人臉識別等算法的影響非常大，也會造成上述的遮擋問題，將GAN用于姿態仿真，比如正臉化，將非常有助于人臉識別等模型的性能提升。FF-GAN[2]是其中的代表性模型，它是一個基于3DMM模型的條件GAN。
[2]?Yin X, Yu X, Sohn K, et al. Towards large-pose face frontalization in the wild[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 3990-3999.
?
?年齡與表情仿真?
跨年齡的人臉識別和驗證是一個非常具有挑戰性的問題，如果能對年齡進行歸一化，去除年齡因素的干擾，將大大提升跨年齡人臉識別的精度。
表情與年齡一樣，也會對人臉識別算法構成一定挑戰，年齡和表情編輯同時還是一個兼具娛樂性的應用方向，GAN在其中大有可為。
[3]?Antipov G, Baccouche M, Dugelay J L. Face aging with conditional generative adversarial networks[C]//2017 IEEE International Conference on Image Processing (ICIP). IEEE, 2017: 2089-2093.
[4]?Song L, Lu Z, He R, et al. Geometry guided adversarial facial expression synthesis[C]//2018 ACM Multimedia Conference on Multimedia Conference. ACM, 2018: 627-635.
換臉算法與偽造臉識別?
換臉算法有很多種，不過時下最流行的自然是基于GAN的算法，使得換臉已經從實驗室走向了工業界，甚至達到了以假亂真的效果。當然，一個工業級的應用肯定還需要GAN以外其他領域技術的輔助，我們后面會給大家介紹。
目前多個大規模的偽造數據集[6]也被發布，檢測偽造臉的研究才剛剛開始，面臨著巨大的挑戰，只希望科技能盡量向善。
[5]?Korshunov P, Marcel S. Deepfakes: a new threat to face recognition? assessment and detection[J]. arXiv preprint arXiv:1812.08685, 2018.
[6] FaceForensics++: Learning to Detect Manipulated Facial Images
?人臉美顏與風格化?
人臉美顏是一個由來已久的研究課題，傳統的方法多是基于濾波算法和幾何變換，可以實現磨皮美白以及臉型調整。隨著GAN的流行，更多的個性化操作變得可行，比如人臉的妝造遷移，以BeautyGAN[7]為其中的典型代表。
另一方面，頭像風格化等應用[8]在娛樂社交領域也有很重要的一席之地，感興趣的可以跟進。
[7]?Li T, Qian R, Dong C, et al. Beautygan: Instance-level facial makeup transfer with deep generative adversarial network[C]//2018 ACM Multimedia Conference on Multimedia Conference. ACM, 2018: 645-653.
[8]?Kim J, Kim M, Kang H, et al. U-GAT-IT: unsupervised generative attentional networks with adaptive layer-instance normalization for image-to-image translation[J]. arXiv preprint arXiv:1907.10830, 2019.
?如何進行實戰深造?
上面簡略地介紹了GAN在人臉圖像領域中的主要應用，還有一些通用的屬性編輯內容沒有講述。上述的每一個方向細細深究都會有非常多的內容，值得想在人臉算法領域有所建樹的同學跟進。學習GAN可以參考【雜談】如何系統性地學習生成對抗網絡GAN
如果想長期學習，可以進入有三AI知識星球的網絡結構1000變板塊和人臉相關的數據集板塊持續學習。
詳細了解星球生態可讀：【雜談】為什么邀請大家加入硬核知識星球有三AI
如果想要隨時與有三和小伙伴們討論，則可以加入有三AI秋季劃人臉算法組，將長期共同學習人臉檢測，關鍵點檢測，人臉識別，屬性分析，屬性分割，美顏美妝，人臉編輯，人臉重建等項目內容。
詳細了解秋季劃可讀：有三AI秋季劃出爐，模型優化，人臉算法，圖像質量等24個項目等你來拿
轉載文章請后臺聯系
侵權必究
【雜談】有三AI不得不看的技術綜述(超過100篇核心干貨)
【通知】2019年言有三最后一月一對一師徒指導季劃報名，送書+知識星球+“神秘禮物”
【AutoML】如何選擇最合適的數據增強操作
【AutoML】激活函數如何進行自動學習和配置
【AutoML】歸一化(Normalization)方法如何進行自動學習和配置
【AutoML】優化方法可以進行自動搜索學習嗎？
【AutoML】損失函數也可以進行自動搜索學習嗎？
【AutoML】如何使用強化學習進行模型剪枝？
【AutoML】強化學習如何用于模型量化？
【知識星球】分組卷積最新進展，全自動學習的分組有哪些經典模型？
【知識星球】卷積核和感受野可動態分配的分組卷積
【知識星球】有三AI 10月新主題，千奇百怪GAN上線！
【知識星球】剪枝量化初完結，蒸餾學習又上線
【知識星球】有沒有網絡模型是動態變化的，每次用的時候都不一樣？
總結
以上是生活随笔為你收集整理的【杂谈】GAN对人脸图像算法产生了哪些影响？的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【小结】除了网络搜索(NAS)，Auto
- 下一篇： 【AutoML】当前有哪些可用的Auto