本文已参与「新人创作礼」活动，一起开启掘金创作之路。
论文题目：Attributes guided facial image completion
时间：2020
来源：Neurocomputing
论文地址：doi.org/10.1016/j.n…
这篇论文没有公开代码
摘要
人脸图像补全方法重现人脸图像缺失区域的像素，使补全结果与原始图像难以区分。图像内容的多模态性，通常有许多似是而非的方法来完成面部图像。用户可能特别感兴趣的是获得具有某些所需属性的特定完成结果。为了满足这一需求，我们提出了一种新的深度学习方法来完成具有多个可控属性(如性别和微笑)的面部图像。首先，提出了一种属性分类损失算法，以保证完成后的图像具有所需的属性。其次，我们的方法引入了感知损失来建模人脸图像中的高级语义结构，这大大减少了在大缺失区域的结构失真。第三，采用对抗性损失，以确保完成结果在视觉上是真实的。这三个组成部分在我们的方法中配合得很好，形成了一个有效的框架，高质量的人脸图像与多个可控属性完成。在CelebA数据集上的实验结果表明，该方法不仅在人脸补全任务上取得了良好的性能，而且还允许用户根据感兴趣的人脸属性获得特定的补全结果。
近年来，由于深度卷积网络特别是生成式对抗网络的快速发展，出现了许多基于深度学习的方法，并在图像补全任务中取得了良好的效果。这些方法采用了目前流行的卷积编解码器网络结构，并经过对抗式损失训练，从众多候选的补全模式中选择一个合理的补全模式，不仅合成了低层次的纹理信息，还生成了新的高级语义结构信息。特别是对于面部图像，这些作品在生成可信的新内容方面被证明是有效的。
遗憾的是，这些方法不能控制合成内容的属性，只关注于根据已知的上下文进行拟合，以使完成的图像在视觉上看起来自然和真实。然而，用户可能特别感兴趣的是用某些所需的属性(例如，微笑或不微笑)来完成缺失的区域。
生成可控属性的人脸图像
