简化人脸交换：Smooth-Swap模型实现高效稳定训练

Smooth-Swap是一种创新的人脸交换技术，旨在简化现有的复杂方法并提高生成质量。该技术由Jiseob Kim、Jihoon Lee和Byoung-Tak Zhang等人提出，他们分别来自首尔国立大学和KakaoBrain。它的核心贡献在于设计了一种平滑的身份嵌入器，这与传统的面部识别模型中用于鉴别任务的嵌入器有所不同。 以往的人脸交换模型依赖于精细的模型结构和多样的损失函数，这些需要大量的调参以达到最佳效果。而Smooth-Swap摒弃了这种繁琐的手工设计，通过监督对比损失对身份嵌入器进行训练，促使生成空间更加平滑。这种平滑性使得模型仅需一个通用的U-Net生成器和三个基础损失函数，从而大大减少了模型的复杂性和训练难度。 Smooth-Swap的优势在于，它能在保持面部表情、头部姿势和背景不变的同时，实现人物身份的有效转换。这在娱乐行业中具有广泛应用，比如创造虚拟角色，或者在隐私保护场景下实现匿名化。尽管如此，尽管模型简化，其生成质量却能够与先前的复杂模型竞争，并在FFHQ和Face-Forensics++等人脸交换基准上以及实际野外人脸图像上的表现证明了其优秀性能，无论是定量评估还是定性评价，都能达到甚至超过现有技术。 Smooth-Swap作为一种简化且高效的面部交换技术，通过改进的身份嵌入器和简化的设计，为实现高质量的人脸交换提供了一个新的解决方案，有望推动人脸交换技术的发展，并减少专业人员在模型训练上的精力投入。