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。该研究针对人脸／头部重演：将目标人脸的三维头部朝向与表情迁移到源人脸，并支持仅使用一张源图像的 one-shot 设置及跨人物重演。核心贡献是借助 3D 形状模型，在预训练 GAN 的潜空间中学习控制头部姿态和表情变化的方向，而非训练专门用于身份与姿态／表情解耦的嵌入网络。 方法利用经微调的预训练 GAN 生成面部图像，以缓解既有解耦嵌入学习困难可能带来的图像质量下降。针对 GAN 可控性较弱的问题，作者以 3D 形状模型中按构造分离的姿态、身份和表情因素为引导，学习相应的潜空间方向；再将真实图像嵌入 GAN 潜空间，实现真实人脸重演。摘要未说明 GAN 架构、方向学习目标、微调策略或真实图像嵌入的具体实现，尚不能据此还原完整训练与推理流程。 作者报告，在 VoxCeleb1 & 2 标准基准上的定性与定量比较中，该方法通常比所比较的当时先进方法生成质量更高的重演人脸。摘要未提供具体指标、数值、数据划分与基线名称，实验协议、消融及统计信息尚未验证；one-shot 在此指单张源图像，不代表整个方法仅用一张图像训练。 研究的主要对象是视觉生成与人脸重演，材料未涉及神经信号解码，也未给出与 EEG 瓶颈的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议。