GAN整整6年了！是时候要来捋捋了！
容颜渐失！GAN来预测？
弱水三千，只取你标！AL（主动学习）结合GAN如何？
异常检测，GAN如何gan ?
忽然，一个惊世骇俗的侧颜闪现于你左前方15米处，你不禁心头一惊：“这只猪总是用侧脸面对观众，另一面却从来没人见过。奇怪的是，即使从侧颜看去，还是两只眼睛和两个鼻孔。”哈哈，今天整理的是用GAN进行“脸部转正”的论文（待看）。即给定一幅侧脸图像，如何得到正脸图像？
1 (2020-1-6) PI-GAN: LEARNING POSE INDEPENDENT REPRESENTATIONS FOR MULTIPLE PROFILE FACE SYNTHESIS https://arxiv.xilesou.top/pdf/2001.00645.pdf我们往往希望，通过某种方法去提取某一人脸姿态图像的固定不变的“姿态表示特征”，并以此去生成多种视图的姿态图像，例如人脸转正（给定一幅侧脸，即可推知正脸图像）。从某个面部朝向姿势图像去合成其它面部姿势，如何获取“姿态表示特征”仍然是一个难题。人脸转正在诸如多媒体安全性、计算机视觉、机器人技术等各个领域都有应用价值。为了解决这个问题，本文提出了PIGAN（循环共享编码器/解码器框架），利用具有编码器-解码器结构的生成对抗网络（GAN），联合判别器网络，去学习提取“与姿态无关的特征”，再利用其实现逼真的人脸合成。与传统的GAN相比，它还由辅助的编码器-解码器框架组成，它与主框架中共享权重，并从原始姿势图像重构图像；主框架着重于创建“解耦表示”，而次框架旨在还原原始面孔。使用CFP高分辨率数据集进行方法的验证。实验：CFP数据集。由500个人组成，每人包含10幅正面图像和4幅侧脸。在450个人上训练模型，并对剩余进行评估。基本框架架构遵循DCGAN 的实现。效果图如下，有些乍一看还挺好？2 (2019-02-26) BoostGAN for Occlusive Profile Face Frontalization and Recognitionhttps://arxiv.xilesou.top/pdf/1902.09782.pdf有许多因素会影响人脸识别效果，例如姿势、遮挡、照明、年龄等等，其中最主要的是大姿势和遮挡问题，这些问题甚至可能模型的性能下降10％以上。“姿势不变特征表示”和利用生成对抗网络（GAN）进行人脸转正已被广泛用于解决姿势问题。然而，受遮挡的侧脸的识别仍然是一个待解决的问题。为此本文提供一种有效的解决方案，即使面对脸部关键点区域（例如眼睛，鼻子等）受损或遮挡的侧脸图像，也去尝试识别。具体来说，提出一个BoostGAN，用于去遮挡，正面化和面部识别。基于面部遮挡是部分且不完整的假设，多个遮挡块的图像将作为输入，也就是所谓的的“knowledge boosting”，例如身份和纹理信息。然后，进一步设计了一种新的聚合网络模块，用于最终精细的图像合成。
3 (2018-10-6) Learning a High Fidelity Pose Invariant Model for High-resolution Face Frontalizationhttps://arxiv.xilesou.top/pdf/1806.08472.pdf人脸正面化是指根据给定的侧脸去合成人脸正面视图的过程。由于遮挡和扭变，要恢复较好的结果、以高分辨率保存纹理细节极为困难。本文提出了一种高保真姿势不变模型（HF-PIM）来产生逼真的、能保持身份特征一致的结果。
4 (2018-3-4) Load Balanced GANs for Multi-view Face Image Synthesishttps://arxiv.xilesou.top/pdf/1802.07447.pdf从单个图像去合成多视图人脸是一个ill-posed病态、不定的问题，结果往往有严重的外观失真。生成逼真的、保留身份的多视图仍然是一个挑战。本文提出了负载平衡生成对抗网络（LB-GAN），可以将输入人脸图像的偏航角精确地旋转到任意指定角度。
LBGAN将具有挑战性的综合问题分解为两个子任务：人脸标准化和人脸编辑。标准化首先对输入图像进行正面化，然后编辑器将正面化的图像旋转到所需姿势。为了生成逼真的局部细节，对标准化器和编辑器进行两阶段训练，并通过有条件的self-cycle loss和基于L2 loss的attention进行约束。
5 (2017-12-13) UV-GAN Adversarial Facial UV Map Completion for Pose-invariant Face Recognitionhttps://arxiv.xilesou.top/pdf/1712.04695.pdf最近提出的鲁棒的3D人脸对齐方法在3D人脸模型和2D人脸图像之间建立了密集或稀疏的对应关系。这些方法的使用对于面部纹理分析既是挑战也是机遇。特别是，通过使用拟合模型（fitted model）对图像进行采样，可以创建面部UV。D但由于遮挡，UV图总是不完整的。本文提出UV-GAN，用生成的UV图生成任意姿态的2D面部图像。
6 (2017-08-17) Towards Large-Pose Face Frontalization in the Wildhttps://arxiv.xilesou.top/pdf/1704.06244.pdf尽管最近在使用深度学习的面部识别方面取得了进步，但是在较大的姿势变化下，严重影响性能。学习姿势不变特征是一种解决方案，但是需要昂贵的大规模数据标注和精心设计的特征学习算法。本文结合 3D Morphable Model (3DMM) 和 GAN 来进行人脸转正，称为FF-GAN。
7 (2017-08-3) Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesishttps://arxiv.xilesou.top/pdf/1704.04086.pdf本文提出了一种两路生成对抗性网络（TP-GAN），用于通过同时感知全局结构和局部细节来实现逼真的正面视图合成。除了常用的全局编码器/解码器网络之外，还提出了四个局部块网络来处理局部纹理。此外，引入对抗性损失，对称性损失和身份保留损失的损失组合。