比如改变人的发型时把背景弄乱，

加胡子时影响到头发，甚至整张脸都不太像是同一个人了:

这个有了注意力机制的新模型，修改图像时清清爽爽，完全不会对目标区域之外产生任何影响。

具体怎么实现。

引入注意力图

此模型名叫 FEAT，它是在 StyleGAN 生成器的基础上，引入注意力机制。

为了只对目标区域进行修改，FEAT 在此引入了注意图，将源潜码获得的特征与移位潜码的特征进行融合。

首先，给定一张具有 n 个特征的图像如上图所示，浅蓝色代表特征，黄色部分标记通道数量然后在文字提示的指导下，为所有能预测相应偏置的样式代码生成映射器

其中，注意力模块的架构如下:左侧是用于特征提取的 StyleGAN2 生成器，右为用于制作注意图的 Attention Network。

不修改目标区域之外的图像

在实验对比环节中，研究人员首先将 FEAT 与最近提出的两种基于文本的操作模型进行比较:TediGAN 和 StyleCLIP其中 TediGAN 将图像和文本都编码到 StyleGAN 潜空间中，StyleCLIP 则实现了三种将 CLIP 与 StyleGAN 相结合的技术

可以看到，FEAT 实现了对面部的精确控制，没有对目标区域以外的地方产生任何影响而 TediGAN 不仅没有对发型改变成功，还把肤色变暗了在第二组对表情的改变中，又把性别给改了

StyleCLIP 整体效果比 TediGAN 好很多，但代价是变得凌乱的背景接着将 FEAT 与 InterFaceGAN 和 StyleFlow 进行比较

一作侯贤旭来自深圳大学。

他本科和硕士毕业于中国矿业大学地理学和地质学专业，博士毕业于诺丁汉大学计算机科学专业，主要研究方向为计算机视觉和深度学习。

论文地址:

声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。