与starGANZ几乎同时间发表的另一篇人脸属性多领域迁移的论文。使用一个统一的框架进行人脸属性的迁移。
demo：https://www.youtube.com/watch?v=gnN4ZjEWe-8
1.通过将latent representation与属性结合（将目标属性和encode输出结合），这样将属性和latent representation分开可以使迁移后的属性更加准确。
2.采用了属性分类误差，重构误差，对抗学习误差。与starGAN一样。
3.多领域的转换只需要一个网络模型。与starGAN一样
如图网络结构：
在测试时，给定一张输入图像
x
a
\mathbf { x } ^ { \mathbf { a } }
xa和N为的属性
b
b
b然后通过得到
z
=
G
e
n
c
(
x
a
)
\mathbf { z } = G _ { e n c } \left( \mathbf { x } ^ { \mathbf { a } } \right)
z=Genc(xa)。再将
z
z
z和属性
b
b
b结合，通过解码器进行图像的生成。
在训练阶段首先对图像进行编码得到
z
z
z,然后将
z
z
z和目标属性结合通过解码器输出
x
b
^
\mathbf { x } ^ { \hat { \mathbf { b } } }
xb^，并计算分类误差和对抗误差。同时
z
z
z也和输入图像的原有属性
a
a
a进行结合，通过共享解码器的权重参数，输出图像
x
a
^
\mathbf { x } ^ { \hat { \mathbf { a} } }
xa^，并计算重构误差。
这里作者只是对
z
z
z进行了重构，而没有像以前的对
x
b
^
\mathbf { x } ^ { \hat { \mathbf { b } } }
xb^进行重构会
x
x
x,作者猜测是让网络对人脸细节的重构只关注于属性的变化，因此能够只改变属性部分。
Attribute Classification Constraint
使用交叉熵进行属性分类误差
Reconstruction Loss
计算L1误差。
Adversarial Loss.
WAGN_GP
Overall Objective
在现有的框架中，属性迁移是离散的，迁移后的风格是不可控的。例如将不带眼镜的人脸迁移到带眼镜的，我们更加关心的是怎么控制迁移到带薄边眼镜，还是带太阳眼镜。这里作者在网络上拓展了一个属性风格操作。
引入了
θ
\theta
θ,
θ
\theta
θ也是N维的和属性相关，通过设置不同的强度，得到不同的属性风格，同时也计算属性分类。
数据集是在公开数据集celebA数据集上。
代码公开。
