2. 程式人生 > >FACE AGING WITH CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS

FACE AGING WITH CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS

阿新 • • 發佈：2018-11-06

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∗ ,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 z∗ 串聯,輸入生成網路,生成目標年齡圖片.

特徵向量優化網路結構如下,

這裡寫圖片描述

網路的訓練資料為,輸入影象x,以及該影象的年齡 y0 ,對輸入影象,將其輸入Encoder網路,將影象編碼為一個特徵向量 z0 .對於特徵向量 z

0 ,採用身份保持網路,對其優化,特到特徵向量 z∗ .之後便可以將特徵向量 z∗ 與年齡 y0 輸入CGAN(條件對抗網路)的生成網路,得到目標年齡影象.

1.indetiry preserving optimization(身份保持優化)

身份保持的思想是對於同一張圖片,不管是任何年齡端,他都是輸入同一個人,如果直接採用特徵向量 z0 ,重構的年齡圖片如下圖b.

這裡寫圖片描述

由圖b所示,直接採用特徵向量 z0 重構的影象,與原圖為同一個人的特徵損失比較大.因此文章提出了對特徵向量

z0 進行身份保持優化,方法為將 z0 輸入一個人臉識別網路FR,該網路可以識別輸入人臉x的身份,對於輸入影象x,重構影象 x⎯⎯ ,分別將其輸入身份識別網路FR,我們希望其輸出儘量接近,也就是識別的身份儘量相同,

這裡寫圖片描述

優化為初始化 z∗=z0 ,並採用 L-BFGS-B 演算法進行後向搜尋.圖c為採用優化後的特徵向量 z∗ 重構的影象,由圖可知,優化後的影象與原圖身份特徵保持更好.

2.CGAN

將優化後的特徵向量 z

∗ 與年齡向量 y0 作為CGAN的輸入,用於訓練CGAN.

對於年齡,分為6個年齡段,分別為0-18,19-29,30-39,40-49,50-59,60+,每個年齡端對應一個年齡一個特徵向量,具體為一個6維的one-hot向量.

CGAN網路的生成網路G,判別網路D結構與文獻15相同,具體可以參考http://friskit.me/2017/04/05/read-paper-unsupervised-representation-learning-with-deep-convolutional-generative-adversarial-networks/.

同時在生成網路的輸入,以及判別網路的第一個卷積層,插入條件資訊,這裡為年齡向量.

不同年齡段生成圖片效果:

這裡寫圖片描述

相關推薦

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

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

GANs學習系列(2)：cGANs:Conditional Generative Adversarial Networks

結論by ym: 轉完這篇，理解一下表達一下自己的一點感想。 其實cgan潛在的道理很簡單，但是這個簡單直接的改進被證明非常有效。 簡單來說就是因為： 在生成模型中,先驗輸入噪聲p(z)和條件資訊y聯合組成了聯合隱層表徵。對抗訓練框架在隱層表徵的組成方式方面相當地靈活。 即cnn一直以來的

【論文筆記】An Intelligent Fault Diagnosis Method Using: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

ivar 單位矩陣 作用 一次 一個 http example tps 計算 論文來源：IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 2016年的文章，SCI1區，提出了兩階段的算法。第一個階段使用Sparse filtering

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

論文學習:Learning to Generate Time-Lapse Videos Using Multi-StageDynamic Generative Adversarial Networks

Welcome To My Blog 這篇論文收錄於KDD2018,有關視訊生成的,論文有個專案主頁,題目翻譯過來大致是:使用多階段動態生成對抗網路學習生成time-lapse(延時)視訊. 多階段具體來說是兩階段, 1. 第一階段(Base-Net): 注重每一幀內容的真實性

Generative Adversarial Networks: An Overview文獻閱讀筆記

Generative Adversarial Networks: An Overview筆記 Abstract Generative adversarial networks (GANs) provide a way to learn deep representations w

【GAN ZOO翻譯系列】基於能量的生成對抗網路 Energy-Based Generative Adversarial Networks

趙俊博, Michael Mathieu, Yann LeCun 紐約大學計算機科學系 Facebook人工智慧研究院 {jakezhao, mathieu, yann}@cs.nyu.edu 原文連結https://arxiv.org/abs/1609.031

論文解讀：DeLiGAN: Generative Adversarial Networks for Diverse and Limited Data

前言：DeLiGAN是計算機視覺頂會CVPR2017發表的一篇論文，本文將結合Python原始碼學習DeLiGAN中的核心內容。DeLiGAN最大的貢獻就是將生成對抗網路（GANs）的輸入潛空間編碼為混合模型（高斯混合模型），從而使得生成對抗網路（GANs）在數量有限但具有多樣性的訓練資料上表現出較

Speech Bandwidth Extension Using Generative Adversarial Networks

owb codec 同時 ephone 參數 listen 註意 nbu 分數 論文下載地址。博客園文章地址。 摘要 語音盲帶寬擴展技術已經出現了一段時間，但到目前為止還沒有出現廣泛的部署，部分原因是增加的帶寬伴隨著附加的工件。本文提出了三代盲帶寬擴展技術，從矢量量化映

Dihedral angle prediction using generative adversarial networks 閱讀筆記

使用生成對抗網路的二面角預測 Abstract         為蛋白質結構預測及其他應用開發了幾種二面角預測方法。 然而，預測角度的分佈與實際角度的分佈不同。 為了解決這個問題，我們採用了生成對抗網路（GAN），它在影象生成任務中顯示了有希望的結果。 生成性對抗網路由兩

LSGAN (Least Squares Generative Adversarial Networks)

1.前言 傳統GAN出現的問題: 傳統GAN, 將Discriminator當作分類器，最後一層使用Sigmoid函式，使用交叉熵函式作為代價函式，容易出現梯度消失和collapse mode等問題，具體原因參考本部落格Wasserstein GAN。 LSG

Machine Learning is Fun Part 7: Abusing Generative Adversarial Networks to Make 8

The goal of Generative ModelsSo why exactly are AI researchers building complex systems to generate slightly wonky-looking pictures of bedrooms?The idea is

Generative Adversarial Networks and the Rise of Fake Faces: an Intellectual Property Perspective

The tremendous growth in the artificial intelligence (AI) sector over the last several years may be attributed in large part to the proliferation of so-

論文筆記：Spectral Normalization for Generative Adversarial Networks [ICLR2018 oral]

Spectral Normalization for Generative Adversarial Networks 原文連結：傳送門 一篇純數學類文章，有興趣的時候再看！ Emma CUH

【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】模式正則化的生成對抗網路 MODE REGULARIZED GENERATIVE ADVERSARIAL NETWORKS

原文地址： https://arxiv.org/abs/1612.02136 引用之請註明出處。 Tong Che 1，Yanran Li 2 3，Athul Paul Jacob 1，Yoshua Bengio 1，Wenjie Li 2 1 蒙特利爾學習演算法

GaitGAN: Invariant Gait Feature Extraction Using Generative Adversarial Networks論文翻譯以及理解

GaitGAN: Invariant Gait Feature Extraction Using Generative Adversarial Networks論文翻譯以及理解 格式：一段英文，一段中文 2. Proposed method To reduce the eff

【Learning Notes】生成式對抗網路（Generative Adversarial Networks，GAN）

在學習 Variational Auto-Encoder時，同時注意到了 GAN 研究的火熱。但當時覺得 GAN 非常不成熟（訓練不穩定，依賴各種說不清的 tricks；沒有有效的監控指標，需要大量的人工判斷，因此難以擴展到圖像之外的高維數據）。在讀了 Good

乾貨 | Generative Adversarial Networks（GAN）的現有工作（2016.02）

乾貨 | Generative Adversarial Networks（GAN）的現有工作 程式媛的日常(小S) · 2016-02-29 15:21 今天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