小区域人脸识别: Yancheng Bai, Yongqiang Zhang, Mingli Ding, Bernard Ghanem KAUST
【问题】图像中的小像素的人脸难识别（Eg. 3x3像素人脸），图像金字塔会模糊图像；【创新 #Step1】Super-Resolution+Refinement Network 产生尖锐的图像；discriminator 判别“真假人脸”与“是否人脸”；【创新 #Step2】使用MB-FCN探测器作为Baseline，训练 生成器和判别器；【创新 #Step3】Gan Network的Loss可以看作min-max的问题（使用GANZ）；GAN年龄生成: Hongyu Yang, Di Huang, Yunhong Wang, Anil K. Jain
传统的人脸年龄研究方法： 基于机器仿真（Mechanical simulation based）；基于老化函数（Aging function based）；基于原始模型（Prototyping pattern based）； 存在限制： 年龄处理具有复杂性（Complex）；机器仿真难以精确表示年龄（cannot be accurately formulated）；年龄的数据不够充足（not rich enough）；Paper内容：
【问题】准确预测年龄、无法保留身份特征、生成完全人脸 前额和头发有影响；【动机】GAN网络年龄生成器、identity cue preservation in a coupled manner、Handling age transformation in a fine-grained way；【方法】Loss：Age Transformation Loss + Identity Preservation Loss + Piel Level Loss；【数据集】MORPH + CACD + FG-NET；【评价指标】Visual Fidelity、Aging Accuracy、Identity Permanence、Comparison to State-Of-The-Art；【总结】GAN网络年龄生成方法、判别器提成年龄合成的准确度 、提升有效性和鲁棒性；风格迁移: Huiwen Chang, Jingwan Lu, Fisher Yu, Adam Finkelstein
【问题】有图像作为输入，不知图像的对称输出；【解决】使用Asymmetric，风格迁移对应两个不对称函数： 前向 Forward：传递化妆风格；后向 Backward：删除化妆风格； 【创新】建立两个耦合网络，轮换训练 最终生成的图片效果为原图； 【方法】迁移化妆 - 五官segmentation问题：增加phase passer，各个提取五官训练；【实验和问题】使用Resnet效果更好，但重建面部无法还原细节；姿态估计 输入图像输出3D姿态: Franziska Mueller, Florian Bernard, Oleksandr Sotnychenko, Dushyant Mehta, Srinath Sridhar, Dan Casas, Christian Theobalt
输入手势图片输出3D手势
【方法】训练数据集：使用3D软件生成；半监督人体语意分割: Georg Poier, David Schinagl, Horst Bischof
由人体相似性 给未标记的人体部位做语意分割；
方法： 找到数据集中相似的人体；生成部分先验，做粗略标注；用FCN，对标签做图像细化；复杂场景数据集风格不统一: Longhui Wei, Shiliang Zhang, Wen Gao, Qi Tian
【问题】现有数据集不能模拟真实情况： 数据集：小区域、固定场景、拍摄时间跨度、固定照明条件；真实条件：大范围、复杂场景、长时间跨度；不同数据集训练范化不好：不同 光照、背景、摄影参数；We need to bridge Domain Gap; 【创新】贡献MSMT17，有15个相机同时拍摄；【创新】使用PTGAN转换：背景、光照，同时保持身份不变；对比CycleGan，PTGAN有效保持身份信息；数据集：CUHK03、PRID、MSMT17、Market、VIPeR；3D手势姿势: Adrian Spurr, Jie Song, Seonwook Park, Otmar Hilliges
【问题】预测3D手势姿势 遇到遮挡 从数据中学习多种多样的分布；在输入方式中是一致的； 【方法】检索手部关节 从特征点分布预测手姿势； 【方法】cross-modal 训练 （PS：多模态学习）；生成模型学习 (Foreground Background Pose): Liqian Ma, Qianru Sun, Stamatios Georgoulis, Luc Van Gool, Bernt Schiele, Mario Fritz
【任务】合成单独控制 “前向 后向 和 姿势”【关键点】分解人物到三个部分然后合并；【方法】Pix2Pix、CycleGAN、PG2 相结合； Stage-1: 训练Embedding Feature；Stage-2: 利用高斯分布训练Embedding Feature；面部标定与低分辨率人脸姿态: Adrian Bulat, Georgios Tzimiropoulos 1. 【方法】提高分辨率 引入新的结构损失为基础； 2. 【方法】网络结构： 3. 【创新】Heatmaps Loss 保护面部结构； 4. PSNR - 峰值信噪比；SSIM - 结构相似性：亮度 对比度 结构 比较；
多角度人体位置合成: Chenyang Si, Wei Wang, Liang Wang, Tieniu Tan
【方法】基于位置的人体图像和成方法；【方法】多级对抗性损失；数据集： Human 3.6M；