今日 Paper | 协作蒸馏；人脸反欺骗；人脸表示；3D-CariGAN等

本文作者：AI研习社

2020-04-02 10:58

导语：为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块。

用于超分辨率通用样式迁移的协作蒸馏

论文名称：Collaborative Distillation for Ultra-Resolution Universal Style Transfer

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

发表时间：2020/3/18

论文链接：https://paper.yanxishe.com/review/14775?from=leiphonecolumn_paperreview0402

推荐原因

这篇论文被CVPR 2020接收，处理的是风格迁移的问题。

通用风格迁移方法通常会利用来自深度卷积神经网络模型的丰富表示来对大量图像进行预训练，但在处理有限内存下的超分辨率图像时会受到大模型尺寸的严重限制。这篇论文提出了一种新的称为协作蒸馏的知识蒸馏方法，用于减少基于编码器-解码器结构的神经风格迁移模型中的滤波器。为了克服协同蒸馏过程中特征尺寸不匹配的问题，新方法引入了线性嵌入损失来驱动学生网络学习教师特征的线性嵌入。大量的实验表明新方法适用于不同的通用风格迁移方法，而且在压缩模式下首次在12GB的GPU上实现了超过4000万像素的超分辨率的通用风格迁移。

通过学习去攻击来进行防御

论文名称：Learning to Defense by Learning to Attack

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

发表时间：2018/11/3

论文链接：https://paper.yanxishe.com/review/14774?from=leiphonecolumn_paperreview0402

推荐原因

本文是对抗攻击与防御领域里面一篇比较有意思的论文，在文中作者提出使用一种对抗训练的框架去训练一个鲁棒的模型，从实验结果来看，文中提出的方法是很SOLID的，能够扛住大部分的攻击。同时文中采用的方法训练相对于其它对抗训练方法来说是比较高效的。

用于人脸反欺骗的深度空间梯度和时间深度学习

论文名称：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

发表时间：2020/3/18

论文链接：https://paper.yanxishe.com/review/14771?from=leiphonecolumn_paperreview0402

推荐原因

这篇论文被CVPR 2020接收，考虑的是人脸反欺骗的问题。

以往的研究工作通过简单增加深度损失，而忽略了详细的细粒度信息以及面部深度和运动模式之间的相互作用，从而将这个问题表达为单帧多任务的问题。这篇论文提出了一种从多帧中检测攻击的新方法，能通过残差空间梯度块（Residual Spatial Gradient Block， RSGB）捕获判别细节，并有效编码来自时空传播模块Spatio-Temporal Propagation Module，STPM）的时空信息。此外，这篇论文提出了一种新的“对比深度损失以进行更精确的深度监督学习。为评估所提方法的有效性，这篇论文收集了双模式反欺骗数据集（Double-modal Anti-spoofing Dataset，DMAD），该数据集为每个样本提供了实际深度。实验表明，新提出的方法在OULU-NPU，SiW，CASIA-MFSD，Replay-Attack和新的DMAD等五个基准数据集上均达到当前最佳水平。

用未标记数据泛化人脸表示

论文名称：Generalizing Face Representation with Unlabeled Data

作者：Shi Yichun /Jain Anil K.

发表时间：2020/3/17

论文链接：https://paper.yanxishe.com/review/14770?from=leiphonecolumn_paperreview0402

推荐原因

越来越多的大规模标注人脸数据集推动了人脸识别问题的研究，然而这些数据集中的人脸通常包含有限程度的类型变化，很难推广到更现实的场景中。收集带有标注的有较大变化的人脸图像由于隐私和人力成本而不可行。相比之下，从不同的领域获取大量未标注的人脸更容易实现。因此这篇论文提出了一种利用无标注人脸图像学习可泛化人脸表示的方法，只在具有足够多样性的少量未标注数据上进行训练，新方法在识别性能上也能够获得可观的提高。与目前最先进的人脸识别方法相比，新方法进一步提高了在IJB-B、IJB-C和IJB-S等具有挑战性的基准上的性能。

3D-CariGAN：一种从人脸照片生成3D漫画的端到端解决方案

论文名称：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

发表时间：2020/3/15

论文链接：https://paper.yanxishe.com/review/14659?from=leiphonecolumn_paperreview0402

推荐原因

这篇论文提出了一个端到端的深度神经网络模型，以简单的面部照片作为输入来生成高质量的3D讽刺漫画。这个问题的挑战在于脸部照片的源域（以2D正常脸为特征）与3D漫画的目标域（以3D夸张的脸部形状和纹理为特征）明显不同。这篇论文首先建立一个包含6,100个3D漫画网格的大型数据集，并使用该数据集在3D漫画形状空间中建立PCA模型；然后在输入的人脸照片中检测出界标并使用其来建立在2D漫画和3D漫画形状之间的对应关系。这篇论文还为用户提供了一种易于使用的交互式控件来控制输出。实验和用户研究表明，新方法易于使用，可生成高质量3D漫画。