基于STGAN的人脸属性编辑改进模型

林志坤 许建龙 包晓安

摘 要： 人脸属性编辑在美颜APP和娱乐领域有重要应用，但现有方法存在生成图像质量不高、属性编辑不够准确等问题，为此提出了一种基于选择传输生成对抗网络（Selective transfer generative adversarial networks， STGAN）的人脸属性编辑改进模型。运用潜码解耦合思想，将潜码分解为内容潜码和风格潜码单独操作，提高源域图像和目标域图像的内容编码一致性，从而提高属性编辑准确率；同时运用像素级重构损失和潜码重构损失，在总损失函数中加入像素级限制和潜码重构限制，通过互补作用提高生成图像质量。在CelebA人脸数据集和季节数据集上进行实验，该模型相比当前人脸属性编辑主流模型在定性结果和定量指标上均有提高，其中峰值信噪比和结构相似性相比STGAN模型分别提高了6.06%和1.58%。这说明该改进模型能够有效提高人脸属性編辑的性能，满足美颜APP和娱乐领域的需求。

关键词：生成对抗网络；人脸编辑；重构图像；潜码解耦

中图分类号：TP391

文献标志码：A

文章编号：1673-3851 （2023） 05-0285-08

引文格式：林志坤，许建龙，包晓安. 基于STGAN的人脸属性编辑改进模型［J］. 浙江理工大学学报（自然科学），2023，49（3）：285-292.

Reference Format： LIN Zhikun， XU Jianlong， BAO Xiao′an. Improved model of face attribute editing based on STGAN［J］. Journal of Zhejiang Sci-Tech University，2023，49（3）：285-292.

Improved model of face attribute editing based on STGAN

LIN Zhikun^a， XU Jianlong^b， BAO Xiao′an^b

（a.School of Information Science and Engineering; b.School of Computer Science and Technology， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract：Face attribute editing technology has important applications in beauty APPs and entertainment fields. However， the existing methods still have problems such as low-quality and inaccurate editing. To this end， an improved face editing model based on selective transfer generative adversarial networks （STGAN） was proposed. Using the idea of latent code decoupling， the latent code was decomposed into the content latent code and the style latent code， which improved the content-coding consistency of the source domain image and the target domain image， thereby improving the accuracy of attribute editing. In the meanwhile， we used pixel-level reconstruction loss and latent code reconstruction loss， and added pixel-level restrictions and latent code reconstruction restrictions to the total loss function， improving the quality of generated images through complementary effects. Experiments were carried out on the CelebA face dataset and seasonal dataset. Compared with the current mainstream model of face attribute editing， this model has improved both qualitative results and quantitative indicators. Compared with the STGAN model， the peak signal-to-noise ratio and structural similarity index of this model are improved by 6.06% and 1.58%， respectively. This shows that the improved model can effectively improve the performance of face attribute editing and meet the needs of beauty apps and entertainment fields.

Key words：generative adversarial networks; face editing; reconstructed images; latent code decoupling

0 引 言

图像属性编辑是指将源域图像映射到目标域，在保留源域图像内容特征的前提下，根据目标域图像的风格特征合成得到新图像。图像属性编辑有多个应用方向，如人脸属性编辑、图像修复^［1］、超分辨率、图像着色^［2］等，其中人脸属性编辑是一个热门方向，它在美颜APP和娱乐领域有重要应用。目前图像属性编辑模型主要有基于生成对抗网络（Generative adversarial network， GAN）^［3］和基于自编码器^［4］这两种模型。其中基于GAN的图像属性编辑模型按照特性有多种分类，如根据是否需要监督分为有监督和无监督的属性编辑模型，根据处理图像属性的数量又可以分为单一属性和多属性的编辑模型。

Isola等^［5］提出了一个有监督的图像属性编辑模型；Wang等^［6］在Isola等^［5］的基础上对模型进行了改进，提高了生成图像的分辨率。然而这类模型的训练都需要成对的图像数据集，这在很多任务中是无法实现的，如同张人脸的男女转换，几乎无法提供成规模的同一张人脸的不同性别数据集。Zhu等^［7］設计的模型实现了无监督的图像属性编辑，通过循环一致性损失对模型进行约束，以保留图像转换过程中的基本特征，摆脱了成对图像数据集的束缚，但这类模型每次训练只能实现特定两个域之间的转换，若要实现多域转换需要训练相应数量的模型，耗时耗力。Anoosheh等^［8］减少了要实现多域转换所需训练的网络数量，但他们提出的模型仍然要训练多个网络，并且也不能支持多个属性的同时转换。Choi等^［9］提出了StarGAN（Star generative adversarial networks）模型，这种模型可以根据输入的标签向量（即属性向量）不同实现不同域的转换，且只要训练一组模型，很好地完成了多域图像属性编辑任务。He等^［10］提出了AttGAN（Attribute generative adversarial networks）模型，他们将编码器和解码器结构运用到StarGAN模型中，实现了更好的图像转换效果。Liu等^［11］提出了STGAN（Selective transfer generative adversarial networks）模型，这种模型用目标属性向量和源域属性向量的差值作为输入，而不是将原本的整个属性向量作为输入，从而提高了图像重构质量；STGAN模型在AttGAN模型的生成器（Generative model，G）中加入选择传输单元（Selective transfer unit，STU），在更多层间加入对称跳跃连接，在提高生成图像质量的同时保证了高属性编辑准确率。

近年来，潜码解耦合思想^［12-14］被广泛运用于图像属性编辑，如Shen等^［15］提出的InterFaceGAN（Interpreting face generative adversarial networks）模型。不同于Liu等^［16］提出的未分解的潜码一致性，潜码解耦合思想将潜码进一步分解为内容潜码与风格潜码。内容潜码用来控制图像的基本内容，如人脸的基本轮廓；而风格潜码用来控制图像的不同风格特性，如人脸的发色、性别、年龄等。虽然上述模型已经可以实现多属性的无监督人脸属性编辑，但是它们生成的人脸图像仍然存在图像质量低、人脸属性编辑不准确等问题。当前人脸属性编辑的应用极为广泛，设计一个能生成高质量、高属性编辑准确率人脸图像的人脸属性编辑模型有着重要价值。

为了满足在美颜APP和娱乐领域对高质量人脸属性编辑能力的需求，本文提出了一种基于STGAN模型的人脸属性编辑改进模型，并将该模型称为LEGAN（Loss function enhanced generative adversarial network）。该模型在STGAN模型的基础上，针对人脸属性编辑不准确问题，运用潜码解耦合思想，促进源域图像和目标域图像的内容编码一致性，从而提高人脸属性编辑准确率；针对生成图像质量不高的问题，在STGAN模型基础上同时运用像素级重构损失和潜码重构损失，通过互补作用，进一步提高生成图像质量。

1 人脸属性编辑改进模型构建

本文建立了LEGAN模型，在CelebA人脸数据集^［17］上进行训练，训练后得到的模型具有较强的人脸属性编辑能力。运行时将所需处理的人脸图像和所需转换的属性向量输入模型，模型在属性向量的指导下通过生成器生成所需的目标人脸图像。对比STGAN模型，本文提出的LEGAN模型最大的改进点是使用了潜码解耦合思想并改进了损失函数，在人脸图像属性编辑任务中能够处理得到质量更高、属性编辑更准确的人脸图像。

1.1 模型结构

LEGAN的模型结构如图1所示，该模型由生成器、鉴别器、分类器组成，其中生成器由编码器G_enc和解码器G_dec组成。在训练阶段，输入的人脸图像x^a经过G_enc处理后得到潜码z^a。转换目标图时，将目标域人脸图像的属性向量b和源域人脸图像的属性向量a的差值与潜码z^a一同输入G_dec，经过G_dec处理后得到目标人脸伪造图像x^{b^}。将x^{b^}输入分类器与鉴别器，分别计算属性分类准确率和图像的真实度。将x^{b^}输入G_enc得到潜码z^{b^}，z^{b^}和z^a之间进行潜码解耦合约束。将零向量和z^a输入G_dec后得到重构图x^{a^}，x^{a^}与x^a之间需要计算像素级重构损失，x^{a^}输入G_enc后得到重构图的潜码z^{a^}，z^{a^}与z^a之间需要计算潜码重构损失。

G_enc提取图像潜码的过程可用式（1）—（3）表示：

G_dec将潜码映射成图像。G_enc和G_dec之间采用对称跳跃连接，连接应用在生成器中所有的层。G_enc之间权重共享，G_dec同理。Liu等^［16］证明在G_enc和G_dec之间添加STU单元既能提高生成图像的质量，也能提高生成图像的属性编辑准确率，所以此处的G_enc和G_dec不同层之间的连接都经过STU单元处理。

1.2 内容编码一致性损失

STGAN模型使用编码器将图像翻译成潜码，之后用条件向量来改变生成图像的属性。将STGAN模型的解码器提取的潜码视为内容编码，将条件向量视为风格编码，则可在STGAN模型中加入内容编码一致性损失来降低不同域之间图像内容编码的差异。对于内容编码一致性损失，本文计算在z^{b^}和z^a的L₁距离，计算过程可用式（4）表示：

其中：L_ccc表示内容编码一致性损失。通过最小化L_ccc可以使不同域的图像经过编码器处理后得到的内容编码趋同，这可以使模型更精确地编辑需要改变的属性，即由条件向量控制的部分，从而提高属性编辑的准确率。属性更精准的控制也能进一步提高重构图像的质量。

1.3 潜码重构损失

为了提高重构能力，常见方法是计算重构图像和输入图像对应像素之间的L₁损失或L₂损失（像素级重构损失）。例如STGAN模型、AttGAN模型等，均通过最小化L₁损失或L₂损失使重构图像和输入图像之间更加相似。本文在像素级重构损失的基础上，计算了输入图像潜码和重构图像潜码之间的L₁损失，该损失可用式（5）表示：

其中：L_rec2表示潜码重构损失。通过最小化该损失，可以使输入图像的潜码和重构图像的潜码更加相似。本文实验表明，同时添加像素级重构损失和潜码重构损失可以进一步提高模型的重构能力，详见实验部分。

1.4 总损失函数

本文分别用L_Dadv和L_Gadv表示鑒别器和生成器的对抗损失，两个损失可用式（6）—（7）表示：

其中：x表示输入的图像；x^是真实图像和生成图像之间的线性插值；?

表示生成的假图；a_diff是目标属性向量与原属性向量的差值；D表示判别器。对抗损失采用Gulrajani等^［18］提出的WGAN-GP形式。这里对抗损失以最大化的形式展示，具体实现时加入负号以最小化的形式优化。

本文用L_Datt和L_Datt分别表示生成器和鉴别器的分类损失，两个损失可用式（8）—（9）表示：

其中：n为分类属性的个数；as^（i）表示源域第i个分类属性向量；at^（i）表示目标域第i个分类属性向量。

本文用L_rec1表示像素级的重构损失，该损失可用式（10）表示：

其中：0是零向量。生成重构图像时因为源域的属性向量即为目标域的属性向量，故差值输入为零向量。

最后总的损失函数可用式（11）—（12）表示：

其中：L_D表示生成器的损失；L_D表示鉴别器的损失；λ₁、λ₂、λ₃、λ₄、λ₅是超参数。

2 实验和结果分析

本文在人脸数据集和季节数据集上进行了实验。为验证内容编码一致性损失和潜码重构损失在STGAN模型中的有效性，本文设计并进行相关的消融实验。

2.1 数据集和设置

本文选择CelebA^［17］作为人脸数据集。CelebA人脸数据集有数据量大、多样性强、标注详细等优点。在CelebA中本文选择178×218对齐处理过的数据集。该数据集总共含有202599张人脸图像，每张图像都有对应的属性标注。在数据集分配方面本文将前182000张图像分为训练集，182001～182637分为验证集，其余的分为测试集。属性方面本文选择秃头、刘海、黑发、金发、棕发、浓眉、眼镜、性别、嘴闭合、上唇胡须、络腮胡、苍白和年龄等一共13种可转换的属性，这涵盖了当前大部分人脸属性编辑模型所实现的属性。本文的模型使用Adam优化器（β₁=0.5，β₂=0.999），Batch_size大小设置为32，学习率的衰减与STGAN模型一致。总损失函数的超参数λ₁、λ₂、λ₃、λ₄、λ₅分别为25、200、15、5、1。

2.2 定量结果

属性编辑的性能可以从生成图像质量和属性编辑准确率两个方面进行评价，其中图像质量可以用峰值信噪比（Peak signal-to-noise ratio，PSNR）和结构相似性（Structural similarity，SSIM）来衡量。因为同一张人脸的不同属性转换的真实数据难以获取（如性别转换、年龄转换），所以本文采用和STGAN模型中一样的两种方法来代替评估。本文将LEGAN模型与StarGAN、AttGAN、STGAN、InterFaceGAN等模型进行比较，其中用来测试人脸属性编辑的AttGAN模型和STGAN模型是原作者发布的，而StarGAN模型因为其作者发布的模型仅支持5个属性的操作，本文按照StarGAN模型相同的配置并用其作者github上的代码训练了支持13个属性的人脸编辑模型来进行比较，InterFaceGAN模型也是根据其作者在github上发布的代码训练得到。

在图像质量方面，本文让目标属性向量与源域属性向量保持一致获得图像的重构结果，并且通过评估重构图像的质量来代替评估模型生成的图像质量。本文在测试集（大约20000张图像）测试了StarGAN、AttGAN、STGAN、InterFaceGAN、LEGAN等模型的重構图像质量，结果如表1所示。从表1可以看出，LEGAN模型的PSNR、SSIM指标相比其余模型都更高，相对之下StarGAN模型和AttGAN模型的重构图像质量明显较弱。虽然AttGAN模型将U-NET的一层对称跳跃连接运用在生成器里，图像质量相对StarGAN模型有所提高，但提高的幅度有限。STGAN模型因为差异属性向量输入和STU单元的运用使得图像质量有较为明显的提高，尤其是SSIM指标达到了0.948的高分，但它仍然存在改进的空间。通过借鉴潜码解耦合思想以及两种重构损失的互补运用，LEGAN模型在STAGN模型的基础上再次提高了图像质量，其中SSIM达到了0.963，相比STGAN模型提高了1.58%。LEGAN模型的PSNR指标为33.59，相比STGAN模型提高了6.06%。

在属性编辑的准确度方面，本文使用和STGAN模型一致的人脸属性分类器来代替评估。该分类器是在CelebA数据集上对13个属性进行训练得到的，并且在CelebA数据集上的准确率达到了94.5%。StarGAN、AttGAN、STGAN、InterFaceGAN、LEGAN等模型的属性编辑准确率如表2所示。

从表2可以看出，LEGAN模型的平均属性编辑准确率最高，达88.79%。对13个属性进一步观察，可以看见除了苍白和络腮胡这两个属性，LEGAN模型的准确率比STGAN模型稍差（苍白属性差0.41%，络腮胡属性差0.63%），其余的11个属性LEGAN模型的准确率都最高，尤其金发、浓眉、棕发和年龄等4个属性分别提高了9.32%、4.91%、5.40%和6.63%。

2.3 定性结果

经过训练，本文得到了人脸属性编辑效果较优的模型。本文分别针对单属性和多属性编辑进行对比，对比结果如图2所示。

从图2中可以直观地看出，LEGAN模型的生成结果相比其余模型生成的图像质量和属性编辑完成度更高。其中StarGAN模型和AttGAN模型在多属性编辑时有的属性容易崩坏，比如StarGAN模型在变老加唇上胡须的转换中人脸肤色出现异常，AttGAN模型在变老加唇上胡须的转换中唇上胡须的效果没有得到很好体现。InterFaceGAN模型在最后一列的金发效果上发色转换得不够完全。LEGAN模型相比STGAN模型生成效果相似，但属性细节处有所提高，比如图2最后一列多属性编辑中LEGAN模型生成的人脸相比STGAN模型更显苍老，且生成的刘海也更完整。

2.4 消融实验

在这一部分，本文评估了两个主要组成部分的必要性：内容编码一致性损失和潜码重构损失。在STGAN模型的基础上，本文将加入内容编码一致性损失训练得到的模型称为LEGAN-1，将加入潜码重构损失训练得到的模型称为LEGAN-2。两个损失都加入训练得到的模型为本文提出的LEGAN模型。为了佐证以上两个损失对原始STGAN模型的影响，本文还添加了以下实验：STGAN-1，用潜码重构损失代替原始STGAN模型的像素级重构损失；STGAN-2，用潜码重构损失代替原始STGAN模型的像素级重构损失并加上内容编码一致性损失；STGAN-3，去掉原始STGAN模型的像素级重构损失，添加内容编码一致性损失；STGAN-4：去掉原始STGAN模型的像素级重构损失。实验结果如表3所示。

对比STGAN、STGAN-1、LEGAN-2、STGAN-4这些模型的实验结果可以发现，添加潜码重构损失也能提高模型的重构能力，只是这个能力相比添加像素级重构损失略差。如果将潜码重构损失和像素级重构损失一起使用则可以在STGAN模型中起到互补的作用，模型的重构能力相比单独加入像素级重构损失的STGAN模型更佳。两两对比STGAN-2模型和STGAN-1模型、STGAN-3模型和STGAN-4模型、LEGAN-1模型和STGAN模型可以发现，在STGAN模型中加入内容编码一致性损失对模型的重构能力、属性编辑能力都有促进作用。对比LEGAN-1模型、LEGAN-2模型和LEGAN模型可以发现，在STGAN模型中同时加入潜码重构损失和内容编码一致性损失，可以大幅提高模型的重构能力和属性编辑能力。虽然STGAN-3模型的属性编辑能力是几个模型中最强的，但它缺乏对模型重构能力的优化，生成的图像质量较低。

2.5 季节转换实验

因为人脸属性编辑和季节转换这类图像转换技术本质上都是图像风格属性的转换，所以本文也在季节数据集上进行了实验，以更好地评价LEGAN模型的性能，结果如图3所示。

本文所使用的季节数据集^［11］包含四个季节：春季、夏季、秋季和冬季。经过训练的模型需要实现同一风景图像的四个季节转换。本文在季节数据集上训练了AttGAN模型、STGAN模型和LEGAN模型，并对它们的定量和定性结果进行比较。在定性结果方面，图3显示LEGAN模型的转换能力明显优于AttGAN模型和STGAN模型，尤其是LEGAN模型的冬季转换效果相比STGAN模型和AttGAN模型更自然。在定量结果方面，表4显示LEGAN模型的PSNR和SSIM与STGAN模型相比分别提高了5.27%和5.15%。

3 结 论

本文提出基于STGAN模型的人脸属性编辑改进模型，通过潜码解耦合思想以及两种重构损失的互补运用，得到一个性能更优的人脸属性编辑模型。运用潜码解耦合可以让原STGAN模型更精准地编辑需要更改的图像属性，从而提高模型的属性编辑能力。将像素级重构损失和潜码重构损失互补地运用在STGAN模型中可以进一步提高模型生成的图像质量。实验结果表明，新模型在CelebA人脸数据集上相比StarGAN、AttGAN、STGAN、InterFaceGAN等主流模型拥有更优的定量和定性表现。该模型也可以运用在季节变换等图像转换任务里，实验表明新模型在季节数据集中相较STGAN等模型也有更好的表现。

由于光照、相机、场景、硬件设备等因素的影响，本文的模型目前还不能准确地处理所有真实数据，而且只能生成分辨率较低的图像。后续研究将进一步完善数据集，改进模型结构，以训练一个功能更强的模型。

参考文献：

［1］曹建芳， 張自邦， 赵爱迪， 等. 增强一致性生成对抗网络在壁画修复上的应用［J］. 计算机辅助设计与图形学学报， 2020， 32（8）： 1315-1323.

［2］李洪安， 郑峭雪， 张婧， 等. 结合Pix2Pix生成对抗网络的灰度图像着色方法［J］. 计算机辅助设计与图形学学报， 2021， 33（6）： 929-938.

［3］Goodfellow I J， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets［C］∥Proceedings of Advances in Neural Information Processing Systems. Cambridge： MIT Press， 2014： 2672-2680.

［4］Kingma D P， Welling M. Auto-encoding variational bayes ［EB/OL］. （2014-05-01） ［2022-08-31］. https：∥arxiv.org/pdf/1312.6114.pdf.

［5］Isola P， Zhu J Y， Zhou T H， et al. Image-to-image translation with conditional adversarial networks［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu： IEEE， 2017： 5967-5976.

［6］Wang T C， Liu M Y， Zhu J Y， et al. High-resolution image synthesis and semantic manipulation with conditional GANs［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 8798-8807.

［7］Zhu J Y， Park T， Isola P， et al. Unpaired image-to-image translation using cycle-consistent adversarial networks［C］∥Proceedings of the IEEE International Conference on Computer Vision. Venice： IEEE， 2017： 2242-2251.

［8］Anoosheh A， Agustsson E， Timofte R， et al. ComboGAN： Unrestrained scalability for image domain translation［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. Salt Lake City： IEEE， 2018： 783-790.

［9］Choi Y， Choi M， Kim M， et al. StarGAN： unified generative adversarial networks for multi-domain image-to-image translation［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 8789-8797.

［10］He Z， Zuo W， Kan M， et al. AttGAN： Facial attribute editing by only changing what you want［J］. IEEE Transactions on Image Processing， 2019， 28（11）： 5464-5478.

［11］Liu， M， Ding， Y， Xia， M， et al. STGAN： A unified selective trans-fer network for arbitrary image attribute editing ［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach： IEEE， 2019： 3673-3682.

［12］Huang X， Liu M Y， Belongie S， et al. Multimodal unsupervised image-to-image translation［C］∥Proceedings of the European Conference on Computer Vision. Munich： IEEE， 2018： 179-196.

［13］Lee H Y， Tseng H Y， Huang J B， et al. Diverse image-to-image translation via disentangled representations［C］∥Proceedings of the European Conference on Computer Vision. Munich： IEEE， 2018： 35-51.

［14］Lin J， Xia Y， Qin T， et al. Conditional image-to-image translation［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 5524-5532.

［15］Shen Y， Gu J， Tang X， et al. Interpreting the latent space of GANs for semantic face editing［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle： IEEE， 2020： 9240-9249.

［16］Liu M Y， Breuel T M， Kautz J. Unsupervised image-to-image translation networks［C］∥Proceedings of Advances in Neural Information Processing Systems. Cambridge： MIT Press， 2017： 700-708.

［17］Liu Z W， Luo P， Wang X G， et al. Deep learning face attributes in the wild［C］∥Proceedings of the IEEE International Conference on Computer Vision. Santiago： IEEE， 2015： 3730-3738.

［18］Gulrajani I， Ahmed F， Arjovsky M， et al. Improved training of Wasser-stein GANs［C］∥Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM Press， 2017： 5769-5779.

（責任编辑：康 锋）