MyStyle: A Personalized Generative Prior-论文

作者团队: Google
论文链接：paper
代码链接：code

1.论文简介

MyStyle：个性化人像生成式先验。论文提出MyStyle模型框架，一种用数十张个人照片训练的个性化深度生成式先验。MyStyle允许重建、增强和编辑特定人物图像，使输出高度保留此人的关键人脸特征。首先先在大数据集（FFHQ）训练StyleGAN，随后，在给定一小部分人像图像的参考集(100张)，调整预训练StyleGAN人脸生成器的权重，在潜空间形成一个局部、低维、个性化流形。该流形构成了一个个性化区域，跨越了与个人不同肖像图像相关的潜代码。由此得到了一个个性化生成式先验，论文还提出了一种统一方法，将其应用于各种病态图像增强问题，如补全和超分辨率，以及语义编辑。用个性化生成式先验，得到的输出结果表现出对输入图像的高保真度，也忠实于参考集中个人的关键人脸特征。对所提出方法进行了评估，表明个性化先验在数量上和质量上都优于最先进的替代方法。

相关工作

Generative Prior

• 预训练好的GAN可以作为很多任务的先验信息，将图片映射到训练好的GAN的数据分布上面去，就可以利用GAN的先验信息对图片进行编辑、增强等操作。
• 利用GAN的隐空间作为先验信息的一个问题就是，GAN不可能拟合所以训练集图片信息的数据分布，输入新的图片的时候，所使用的先验信息不一定是准确的。在更大的数据集上进行预训练可以缓解这样的现象，但问题依旧存在，之前有部分工作提出对预训练好的GAN进行微调，来适应特定图片的分布
• 作者提出一种新的方法，对预训练好的StyleGAN进行微调，并在其微调后的子隐空间区域进行操作。

Few-Shot Generative Models

• Few-Shot Generative Models一般是在预训练好的Generative Models进行微调的，因为仅仅考Few-Shot的数据进行训练容易造成过拟合的问题。
• 大量实验表明，先前的Few-Shot Generative Models并不能很好地保留Few-Shot数据的个性化信息，作者推断，先前的研究都将Few-Shot的数据映射到整个数据分布上面去了，只保留了粗糙的特征信息，故作者提出一种方法，只将Few-Shot的数据映射到整个数据分布中的一小部分区域，并在此区域对输入进行个性化建模。

Personalization

• 先前，个性化广泛用于机器学习（如：推荐系统）、自然语言处理（如：个性化对话模型），在计算机视觉中，先前的工作有将个性图片输入网络作为提示，但个性化的信息是无法从单张图片学习到的，故论文提出MyStyle来开创这个先例。

3.论文motivation

如果给出一个人物的少量肖像图像，我们是否可以学习一个个性化先验，来为特定的人物进行脸部编辑和增强操作，同时保留该人独特的面部特征？

4.论文方法

作者的目标是利用一个小的个性化数据集（大约100张）来微调一个在FFHQ上训练过的StyleGAN，下面对方法就行具体讲解：

Adaptation

第一步是做数据域的适应，先直接利用个性化数据集，根据如下损失函数来微调StyleGAN，先让StyleGAN拥有生成编辑个性化人物的能力：

此时，$G_d$、$G_p$分别表示一般化生成器、个性化生成器。

Obtaining a Personalized Sub-Space

在这里先上一幅图：

里面的凸性区域中的那些蓝色的点，作者称为anchors，作者通过实验发现沿着两个anchor进行插值和每个anchor的领域的数据都或多或少地被风格化了，如果能在这个子空间内对输入数据进行建模，就能高效地对图片进行编辑并保留其细节特征。作者通过一下利用一下两条公式（不是很懂）来确定子空间的大小，其中i为anchors的数目：

Personalized Image Enhancement

在找到的子空间中对图片进行高效建模：

5.对比

• 应用子空间和不应用子空间的ID信息对比和对anchors进行插值/领域采样的ID信息保留对比：
  

待更新，有些地方不是很懂呀