通过寻找 GAN 潜空间方向实现单样本人脸神经重演

基于摘要分析。本文研究人脸/头部重演：将目标人脸的 3D 头部朝向与表情迁移到源人脸。核心贡献是利用预训练并经微调的 GAN，通过 3D 形状模型辅助学习控制姿态与表情变化的潜空间方向，绕开专门训练身份与姿态/表情解耦嵌入网络的路线。 技术机制上，作者利用 3D 形状模型在构造上对头部姿态、身份和表情的解耦，为 GAN 潜空间方向学习提供依据，以改善 GAN 的可控性。对于真实图像，方法先将其嵌入 GAN 潜空间，再进行重演。摘要称该方法只需一张源图像，并支持跨人物重演；这里的 one-shot 指单张源图像使用条件，不表示整个模型仅用一个样本训练。具体 GAN 架构、微调范围、方向学习目标及真实图像嵌入方法尚未验证。 结果方面，作者报告，在 VoxCeleb1 & 2 标准基准的定性与定量评估中，该方法生成的重演人脸通常比所比较的先进方法质量更高。摘要未给出指标数值、数据划分及具体对照方法，因此不能量化提升幅度；实验协议、消融及统计信息尚未验证。 该研究的主要对象是视觉生成，并非神经信号解码。其机制依赖预训练人脸 GAN 与具有明确姿态、身份和表情参数结构的 3D 形状模型；当前材料未提供这些结构与 EEG 因素之间的具体对应关系，因而不据此提出 BCI 迁移效果或复现实验建议。相关 EEG 工作尚未检索确认。