2. 程式人生 > >Face Aging with Contextual Generative Adversarial Nets

Face Aging with Contextual Generative Adversarial Nets

阿新 • • 發佈：2018-11-06

這裡寫圖片描述

網路結構如圖2所示,首先按照68個人臉特徵點對輸入影象進行對齊,之後,採用Deeplab v2演算法將輸入影象分割為

人臉區域,和非人臉區域,並將非人臉區域標記為灰色.

生成網路-Transformer network

將處理後的影象,與年齡lable y 輸入到條件變換網路(G,Transformer),得到合成影象

G ( x , y ) (fake image).

生成網路結構如下,

這裡寫圖片描述

輸入影象,輸出影象大小都為

128 × 128 × 3 ,畫素值範圍為[-1,1].條件向量即為年齡向量,為一個7維的one hot向量,將該項了reshape為與輸入影象相同的空間維度的7通道的變數,並將其值也變換到[-1,1]範圍-1對應於0.將輸入影象與年齡向量串聯,輸入生成網路,得到目標年齡的生成影象.前三個residual blocks將feature maps大小降低到輸入的一半,之後的為反捲積層,將feature maps大小上取樣到與輸入同樣大小.

判別網路

存在兩個判別網路,分別為年齡判別網路,即Age Discriminative Network,另一個為Transition Pattern Discriminative Network,分別用於判別生成影象是否為目標年齡,以及生成影象是否符合真實目標影象分別.

Age Discriminative Network

Age Discriminative Network輸入為fake image與年齡lable y的特徵向量串聯(判別為real),以及real image與年齡label y的特徵向量串聯(判別為fake).也就是是說,Age Discriminative Network用於判別生成影象是否為輸入影象的指定年齡的生成影象.

年齡判別網路結構為,

這裡寫圖片描述

與生成網路一樣,將年齡label resized為一個變數,輸入到一個卷積層,得到年齡特徵向量,將輸入影象輸入卷積層,得到feature maps,並將兩者串聯,輸入到之後的5個卷積層,判別網路損失函式為,

這裡寫圖片描述

Transition Pattern Discriminative Network

為了得到更好的年齡生成影象,加入了一個年齡轉換判別網路,用於判別不同年齡段的影象的transition pattern(轉移模式),即判別不同年齡段的人臉是否變換正確.為了簡化,在本文中,只考慮相鄰的年齡組的transition pattern.

這裡寫圖片描述

如圖5所示,隨著頭骨的成長,年齡從10到20歲的臉的形狀會發生變化,然而,對於50到60歲的臉,主要的變化是在臉上的皺紋增多了.也就是不同年齡段的臉有不同的特徵,但是他們都是同一個人.

Transition Pattern Discriminative Network輸入為年齡y,對應的人臉影象 x y ,以及臨近年齡y+1,對應的影象 x y + 1 的串聯值,損失函式如下,

這裡寫圖片描述

整體的損失函式

這裡寫圖片描述

為了是生成影象儘量平滑,引入了TV損失函式(total variation).

不同年齡段圖片生成效果

這裡寫圖片描述

相關推薦

Face Aging with Contextual Generative Adversarial Nets

網路結構如圖2所示,首先按照68個人臉特徵點對輸入影象進行對齊,之後,採用Deeplab v2演算法將輸入影象分割為 人臉區域,和非人臉區域,並將非人臉區域標記為灰色. 生成網路-Transformer network 將處理後的影象,與年齡lable

FACE AGING WITH CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS

文章用於生成不同年齡的圖片,採用的模型是條件對抗網路,主要創新點是,首先通過一個網路,提取影象特徵向量,並通過身份保持網路,優化影象的特徵向量,特到特徵向量 z∗ z^*,之後便可以對於每個輸入年齡,查詢其年齡向量,並將該年齡向量與輸入圖片特徵向量

《GraphGAN：Graph Representation Learning with Generative Adversarial Nets》論文閱讀筆記

最近在準備碩士期間的畢業論文的開題工作，也是比較愁於沒有什麼好的畢業設計的想法。在學習完這篇論文後，我發現基於生成對抗網路的網路表示學習的方法挺有意思。通過寫這篇部落格也是想要加深自己對這篇論文的idea的理解，同時也想著是否我也可以提出一種改進或是適當借鑑一下這種思想。 &nbs

Generative Adversarial Nets(GAN Tensorflow)

概率 制造 display 變量 pan clas cli tps OS Generative Adversarial Nets（簡稱GAN）是一種非常流行的神經網絡。 它最初是由Ian Goodfellow等人在NIPS 2014論文中介紹的。 這篇論文引發了很多關於神經

Wasserstein Generative Adversarial Nets(WGAN)

權重 https mathjax blank min www. margin xmlns nbsp GAN目前是機器學習中非常受歡迎的研究方向。主要包括有兩種類型的研究，一種是將GAN用於有趣的問題，另一種是試圖增加GAN的模型穩定性。 事實上，穩定性在GAN訓練中是非常

論文閱讀1《AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networ》

paper連結https://arxiv.org/abs/1711.10485， code連結https://github.com/taoxugit/AttnGAN， 作者的homepage https://sites.google.com/view/taoxu 本文給出的是CVPR 2

個人總結：Generative Adversarial Nets GAN原始公式的得來與推導

根據文章所述， 為原始資料， 使用的噪聲資料，,   為batch_size的大小。 而  為通過生成器生成的資料，也就是說 與是能夠互相對立的競爭對手。生成器生成了妄圖模擬到的效果達到“欺騙”判別器的目的。

一文讀懂對抗生成學習(Generative Adversarial Nets)[GAN]

一文讀懂對抗生成學習(Generative Adversarial Nets)[GAN] 0x00 推薦論文 https://arxiv.org/pdf/1406.2661.pdf 0x01什麼是gan Generative model G用來生成樣本 Discriminative mo

Generative Adversarial Nets[Theory&MSE]

本文來自《deep multi-scale video prediction beyond mean square error》，時間線為2015年11月，LeCun等人的作品。 從一個視訊序列中預測未來的影象幀涉及到構建一個內部表徵，該表徵能夠對準確對圖片幀演化（如影象內容和動態）進行建模。這就是為什麼

【GAN ZOO】Precomputed Realtime Texture Synthesis with Markovian Generative Adversarial 用MGAN預訓練實時紋理合成

原文地址 https://link.springer.com/chapter/10.1007/978-3-319-46487-9_43 補充材料和程式碼 https://github.com/chuanli11/MGANs。 Chuan Li and Michael Wand

【GAN ZOO閱讀】Generative Adversarial Nets 生成對抗網路 原文翻譯 by zk

Ian J. Goodfellow, Jean Pouget-Abadie ∗ , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair † , Aaron Courville, Yoshua Bengio ‡

Resources and Implementations of Generative Adversarial Nets: GAN, DCGAN, WGAN, CGAN, InfoGAN

I organized this reposity mainly for learning GANs, so all codes about classical GANs were implemented with simple network structure and

Generative Adversarial Nets[iGAN]

本文來自《Generative Visual Manipulation on the Natural Image Manifold》，是大神Jun-Yan Zhu在2016年9月的作品。 0 引言 視覺交流在現在的社會發展中一直處於技術不夠強大的現狀，比如你想要去商場買個衣服，你想要告知導購衣服的顏色

GAN（Generative Adversarial Nets）研究進展

想與大家分享的是影象生成中一些工作。 這些工作都基於一大類模型，Generative Adversarial Networks（GAN）。從模型名稱上甚至都可以看出一些發展軌跡：GAN->CGAN->LAPGAN->DCGAN->GRAN-&g

論文閱讀筆記（四十六）：Generative Adversarial Nets

Abstract We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train

【Paper Note】Generative Adversarial Nets 論文理解

前言 起先接觸GAN，被論文中的公式嚇到了~~~這尼瑪都是什麼鬼~~~啃了很久，終於把論文中的模型推匯出來，整理成這篇文章。 GAN介紹 Generative Adversarial Nets這篇論文是Ian Goodfellow等人於2014年發表，至此，GAN在深

在caffe 中實現Generative Adversarial Nets（一）

目錄 一、Generative Adversarial Nets 1. GAN簡介 對抗生成網路（GAN）同時訓練兩個模型：能夠得到資料分佈的生成模型（generative model G）和能判夠區別資料是生成的還是真實的判別模型 （discr

與判別網路對抗的生成網路 (Generative Adversarial Nets)

Generative Adversarial Nets (GAN) 主線為 Ian J. Goodfellow 的論文 (“Generative Adversarial Nets”) 內容 1。之前一些人譯為“生成式對抗網路”。但從模型分類 (生成模型和

Generative Adversarial Nets

深度 data- tgt 傳遞 style 網絡 感知 out ner 1. 基本思想 兩個模型： 判別器：預測從生成器生成的樣本的概率 生成器：生成樣本時，最大化使得判別器發生錯誤的概率 最後得到唯一解：使得生成器生成的樣本輸入到判別器中，得到的概率全是1/

CVPR2018: Generative Image Inpainting with Contextual Attention 論文翻譯、解讀

注：博主是大四學生，翻譯水平可能比不上研究人員的水平，博主會盡自己的力量為大家翻譯這篇論文。翻譯結果僅供參考，提供思路，翻譯不足的地方博主會標註出來，請大家參照原文，請大家多多關照。 未經允許，嚴禁轉載。 0. 譯者序 　　題目翻譯：基於內容感知生成模型的影象修復 　　介紹：這篇文章也被稱作d