在这篇论文中,我们提出了一个框架,能够生成与给定的一次性样例相同分布的人脸图像。我们利用一个预先训练的StyleGAN模型,它已经学会了一般的面部分布。针对这一一次性目标,我们提出了一种快速调整模型权值的迭代优化方案,以使输出的高阶分布适应目标的高阶分布。为了生成相同分布的图像,我们引入了一种风格混合技术,将低水平的统计信息从目标传输到模型随机生成的人脸。这样,我们就能够生成无限数量的面孔,这些面孔既继承了一般人脸的分布,也继承了一次性人脸的分布。新生成的人脸可以作为其他下游任务的增强训练数据。这样的设置很有吸引力,因为它需要在目标域中标记很少的标记,甚至只需要一个示例,而在现实世界中,人脸操作通常是由各种未知的和独特的分布导致的。结果表明,本文提出的单样本自适应方法是一种有效的人脸操作检测方法,并与其他多镜头自适应方法进行了定性和定量的比较。

成为VIP会员查看完整内容
28

相关内容

CVPR is the premier annual computer vision event comprising the main conference and several co-located workshops and short courses. With its high quality and low cost, it provides an exceptional value for students, academics and industry researchers. CVPR 2020 will take place at The Washington State Convention Center in Seattle, WA, from June 16 to June 20, 2020. http://cvpr2020.thecvf.com/
【CVPR2020-Facebook AI】前置不变表示的自监督学习
专知会员服务
46+阅读 · 2020年4月19日
CVPR 2019 | 小样本域适应的目标检测
PaperWeekly
5+阅读 · 2019年10月1日
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
49+阅读 · 2019年5月29日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
迁移学习之Domain Adaptation
全球人工智能
18+阅读 · 2018年4月11日
Arxiv
5+阅读 · 2020年3月17日
Arxiv
5+阅读 · 2019年10月11日
Arxiv
5+阅读 · 2018年10月23日
Arxiv
6+阅读 · 2018年1月29日
Arxiv
5+阅读 · 2017年10月27日
VIP会员
微信扫码咨询专知VIP会员