A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

FL-GAN: Feature Learning Generative Adversarial Network for High-Quality Face Sketch Synthesis FL-GAN: Rede adversária generativa de aprendizagem de recursos para síntese de esboço facial de alta qualidade

Lin CAO, Kaixuan LI, Kangning DU, Yanan GUO, Peiran SONG, Tao WANG, Chong FU

  • Exibições de texto completo

    1

  • Cite isto

Resumo:

A síntese de esboço facial refere-se à transformação de fotos faciais em esboços. Pesquisas recentes sobre síntese de esboços faciais alcançaram grande sucesso devido ao desenvolvimento de Redes Adversariais Generativas (GAN). No entanto, estes métodos generativos tendem a negligenciar informações detalhadas e, assim, perder algumas características específicas individuais, como óculos e cocares. Neste artigo, propomos um novo método chamado Feature Learning Generative Adversarial Network (FL-GAN) para sintetizar esboços de alta qualidade com preservação de detalhes. Precisamente, o FL-GAN proposto consiste em um módulo de Feature Learning (FL) e um módulo de Adversarial Learning (AL). O módulo FL visa aprender as informações detalhadas da imagem em um espaço latente e orientar o módulo AL para sintetizar o esboço que preserva os detalhes. O Módulo AL visa aprender a estrutura e textura do esboço e melhorar a qualidade do esboço sintético por meio de estratégia de aprendizagem adversária. Comparações quantitativas e qualitativas com sete métodos de última geração, como o LLE, o MRF, o MWF, o RSLCR, o RL, o FCN e o GAN em quatro conjuntos de dados de esboço facial demonstram a superioridade deste método.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E104-A No.10 pp.1389-1402
Data de publicação
2021/10/01
Publicitada
2021/04/05
ISSN online
1745-1337
DOI
10.1587/transfun.2020EAP1114
Tipo de Manuscrito
PAPER
Categoria
Imagem

autores

Lin CAO
  Beijing Information Science and Technology University
Kaixuan LI
  Beijing Information Science and Technology University
Kangning DU
  Beijing Information Science and Technology University
Yanan GUO
  Beijing Information Science and Technology University
Peiran SONG
  Beijing Information Science and Technology University
Tao WANG
  Beijing Information Science and Technology University
Chong FU
  Northeastern University

Palavra-chave