Rank-based No-reference Quality Assessment for Face Swapping

由于技术的快速发展，人脸交换已成为计算机视觉和图像处理中一个重要的研究领域。在大多数人脸交换方法中，衡量质量的度量标准依赖于处理后的图像与源图像或目标图像之间的几个距离，即有适当的已知参考人脸图像。因此，在没有参考图像的情况下准确评估人脸交换的质量仍存在差距。本研究针对这一问题，提出了一种新的无参考图像质量评估（NR-IQA）方法，专门针对人脸交换，通过构建一个综合的大规模数据集，实现基于多个面部属性对图像质量进行排名的方法，并结合基于可解释的定性比较的连体网络来解决这个问题。我们的模型在交换人脸的质量评估方面表现出最先进的性能，提供粗粒度和细粒度的评估。在此度量标准的改进下，改进后的人脸交换模型在表情和姿势方面实现了更高级别的性能。大量实验证实了我们的方法优于现有的通用无参考图像质量评估度量标准和最新的人脸图像质量评估度量标准，使其非常适合评估现实场景中的人脸交换图像。

本论文旨在解决无参考情况下对换脸图像质量评估的问题，以及提高换脸模型的表情和姿态等方面的性能。

论文提出了一种基于多种面部属性的图像质量评估方法，利用可解释的定性比较的Siamese网络，通过构建大规模数据集和排名方法来评估换脸图像的质量。

论文的方法在换脸图像质量评估方面表现出了最先进的性能，实验结果证实了其优越性。论文还使用了一个改进的换脸模型，提高了表情和姿态等方面的性能。

在相关研究方面，最近的一些研究包括：DeepFakes、FaceSwap、GAN等。