今日 Paper | 協作蒸餾；人臉反欺騙；人臉表示；3D-CariGAN等

本文作者： AI研習社

2020-04-02 10:58

導語：為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊。

用于超分辨率通用樣式遷移的協作蒸餾

論文名稱：Collaborative Distillation for Ultra-Resolution Universal Style Transfer

作者：Wang Huan /Li Yijun /Wang Yuehai /Hu Haoji /Yang Ming-Hsuan

發表時間：2020/3/18

論文鏈接：https://paper.yanxishe.com/review/14775?from=leiphonecolumn_paperreview0402

推薦原因

這篇論文被CVPR 2020接收，處理的是風格遷移的問題。

通用風格遷移方法通常會利用來自深度卷積神經網絡模型的豐富表示來對大量圖像進行預訓練，但在處理有限內存下的超分辨率圖像時會受到大模型尺寸的嚴重限制。這篇論文提出了一種新的稱為協作蒸餾的知識蒸餾方法，用于減少基于編碼器-解碼器結構的神經風格遷移模型中的濾波器。為了克服協同蒸餾過程中特征尺寸不匹配的問題，新方法引入了線性嵌入損失來驅動學生網絡學習教師特征的線性嵌入。大量的實驗表明新方法適用于不同的通用風格遷移方法，而且在壓縮模式下首次在12GB的GPU上實現了超過4000萬像素的超分辨率的通用風格遷移。

通過學習去攻擊來進行防御

論文名稱：Learning to Defense by Learning to Attack

作者：Jiang Haoming /Chen Zhehui /Shi Yuyang /Dai Bo /Zhao Tuo

發表時間：2018/11/3

論文鏈接：https://paper.yanxishe.com/review/14774?from=leiphonecolumn_paperreview0402

推薦原因

本文是對抗攻擊與防御領域里面一篇比較有意思的論文，在文中作者提出使用一種對抗訓練的框架去訓練一個魯棒的模型，從實驗結果來看，文中提出的方法是很SOLID的，能夠扛住大部分的攻擊。同時文中采用的方法訓練相對于其它對抗訓練方法來說是比較高效的。

用于人臉反欺騙的深度空間梯度和時間深度學習

論文名稱：Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing

作者：Wang Zezheng /Yu Zitong /Zhao Chenxu /Zhu Xiangyu /Qin Yunxiao /Zhou Qiusheng /Zhou Feng /Lei Zhen

發表時間：2020/3/18

論文鏈接：https://paper.yanxishe.com/review/14771?from=leiphonecolumn_paperreview0402

推薦原因

這篇論文被CVPR 2020接收，考慮的是人臉反欺騙的問題。

以往的研究工作通過簡單增加深度損失，而忽略了詳細的細粒度信息以及面部深度和運動模式之間的相互作用，從而將這個問題表達為單幀多任務的問題。這篇論文提出了一種從多幀中檢測攻擊的新方法，能通過殘差空間梯度塊（Residual Spatial Gradient Block， RSGB）捕獲判別細節，并有效編碼來自時空傳播模塊Spatio-Temporal Propagation Module，STPM）的時空信息。此外，這篇論文提出了一種新的“對比深度損失以進行更精確的深度監督學習。為評估所提方法的有效性，這篇論文收集了雙模式反欺騙數據集（Double-modal Anti-spoofing Dataset，DMAD），該數據集為每個樣本提供了實際深度。實驗表明，新提出的方法在OULU-NPU，SiW，CASIA-MFSD，Replay-Attack和新的DMAD等五個基準數據集上均達到當前最佳水平。

用未標記數據泛化人臉表示

論文名稱：Generalizing Face Representation with Unlabeled Data

作者：Shi Yichun /Jain Anil K.

發表時間：2020/3/17

論文鏈接：https://paper.yanxishe.com/review/14770?from=leiphonecolumn_paperreview0402

推薦原因

越來越多的大規模標注人臉數據集推動了人臉識別問題的研究，然而這些數據集中的人臉通常包含有限程度的類型變化，很難推廣到更現實的場景中。收集帶有標注的有較大變化的人臉圖像由于隱私和人力成本而不可行。相比之下，從不同的領域獲取大量未標注的人臉更容易實現。因此這篇論文提出了一種利用無標注人臉圖像學習可泛化人臉表示的方法，只在具有足夠多樣性的少量未標注數據上進行訓練，新方法在識別性能上也能夠獲得可觀的提高。與目前最先進的人臉識別方法相比，新方法進一步提高了在IJB-B、IJB-C和IJB-S等具有挑戰性的基準上的性能。

3D-CariGAN：一種從人臉照片生成3D漫畫的端到端解決方案

論文名稱：3D-CariGAN: An End-to-End Solution to 3D Caricature Generation from Face Photos

作者：Ye Zipeng /Yi Ran /Yu Minjing /Zhang Juyong /Lai Yu-Kun /Liu Yong-jin

發表時間：2020/3/15

論文鏈接：https://paper.yanxishe.com/review/14659?from=leiphonecolumn_paperreview0402

推薦原因

這篇論文提出了一個端到端的深度神經網絡模型，以簡單的面部照片作為輸入來生成高質量的3D諷刺漫畫。這個問題的挑戰在于臉部照片的源域（以2D正常臉為特征）與3D漫畫的目標域（以3D夸張的臉部形狀和紋理為特征）明顯不同。這篇論文首先建立一個包含6,100個3D漫畫網格的大型數據集，并使用該數據集在3D漫畫形狀空間中建立PCA模型；然后在輸入的人臉照片中檢測出界標并使用其來建立在2D漫畫和3D漫畫形狀之間的對應關系。這篇論文還為用戶提供了一種易于使用的交互式控件來控制輸出。實驗和用戶研究表明，新方法易于使用，可生成高質量3D漫畫。