개요
그것은 높은 충실도와 얼굴 이식 폐색 인식을위한 2 단계 프레임 워크를 제안 하였다. 본 방법은 타겟면의 정보를 사용하기 전에. 본원 충실도면에있어서의 제 1 위상 바와 생성하는 속성으로 속성 부호화 특정 대상 얼굴 다단계 및 적응 식별 클래스 및 특성을 포함 새로운 발전기를 추출한다. 얼굴 실드를 해결하기 위해, 제 2 단계는이 듣고 넷은 자기 감시하여 문제 (피복) 방법을 복구 할 수있는 영역을 사용한다.
소개
페이스 교환은 그래서 얼굴 표정, 조명, 배경의 소스를 유지하는 동시에, 대상면 소스의 얼굴에 얼굴을 변경합니다. 어려움은 추출 정체성과 특성의 두 이미지의 적응 조합하는 방법이다. 넷 AEI : 첫 번째 단계의 결과가 GAN 네트워크를 기반으로 설계된 고성능 인간 얼굴 교환을 달성했다. 폐색 영역들을-인터넷의 두 번째 단계의 사용을 최적화합니다. 두 단계의 네트워크 FaceShifter는 주제 불가지론과 DeepFakes 등등과 같은 특정 교육에 대한 필요없이 새 얼굴에 직접 사용 할 수 있습니다.
방법
첫 번째 단계
원본 영상과 목적 영상 각각 입력.
그림 (a)는 전체 프로세스를위한 제 1 단계. 식별 코드, 멀티 레벨은 일반 상피화 생 발생기에 인코딩, 적응주의를 속성.
인코더는 1) 신원 : 상기 이전의 완전 연결 층
2) 다단계 인코더 속성 : 속성, 제스처, 얼굴 표정, 및 배경 등을 포함하는 신원 정보보다 더 많은 공간이 필요합니다. 이것은 유넷 유형을 사용하여 추출 하였다. 자기 감독은 : 얼굴을 생성하고 대상면은 동일한 특성을가집니다.
적응 정규화 화생 생성기 3)주의 : 신분증을 삽입하는 기능과 새로운 합성 인간의 얼굴을 생성하는 속성. 직접 기능 링크에 앞서 탄 결과로 이어집니다. 탁월한 AdaIN의 사용을 특징으로하는 본원 매립 일반 다단계 특성 레벨한다. 제 (C)는, 예를 정규화하여 매립 전에 달성.
손실은 다음 세 가지 모듈에 해당 :
두 번째 단계
상세 검색 네트워크를 인정 휴리스틱 오류 (소리-순)
第二阶段的任务就是复原那些遮挡区域。可以从上图（a）看到第一阶段得到的人脸没有遮挡部分。而输入图和重构图的差就可得到这些遮挡东西，为此利用这点来优化。（b）描述了这一过程。loss如下：
